MIT 研究用合成数据训练气候模拟器，数据需求大幅减少

MIT News·2026-11-12 13:00· 1 小时前AI 评分43

新研究有望带来更快、更可信的气候预测 AI 模型

AI 导读

MIT 研究人员开发出一种训练技术，用少量精选合成数据即可提升气候模拟器（climate emulator）的性能与适应性，显著缩短这类 AI 模型的制作时间。该算法只需运行一次完整地球系统模型（ESM）即可生成优化训练数据，而传统做法需运行六到八次。用该方法训练的模拟器能准确预测训练中未见过的情景，传统模拟器则无法适应新情况。

正文 · 原文

准确、最新的气候预测对于增强电网韧性、保护公众健康、最大化农业产量等规划决策至关重要。

如今，MIT 研究人员开发出一种技术，可简化用于气候预测的快速、可信且适应性强的 AI 模型的生产流程。

这些专门化的 AI 模型被称为气候模拟器，能够快速模拟人类活动对未来气候的影响，例如预测对温度或海平面的影响。 

由于模拟器可在数秒内运行，科学家利用它们高效测试数千种不同的气候情景。这能提供更可靠的估计，并可识别区域干预措施的意外结果。

MIT 研究人员开发出一种训练技术，仅使用通常所需数据的一小部分，即可提升气候模拟器的性能和适应性。这显著缩短了这些实用科学工具的生产时间。

他们证明，用少量精心挑选的合成数据训练的模拟器能准确预测训练中未见过的情景结果，而传统模拟器则无法适应新情况。

“气候模拟器特别适合对与政策相关的情景进行建模。通过使用我们的方法为模拟器生成优化的训练数据，我们可以加快生产更可靠的模拟器，从而更信任其输出以用于政策决策，”26 届博士 Christoher Womack 说，他现为 ETH Zurich 的博士后，也是这篇关于该技术的论文的第一作者。

该论文的其他作者包括：MIT 地球、大气与行星科学系（EAPS）博士后 Shahine Bouabid；MIT 可持续发展科学与战略中心（CS3）研究科学家 Andrei Sokolov；CS3 博士后 Popat Salunke；EAPS 海洋学教授 Glenn Flierl；伦敦帝国理工学院副教授 Sebastian D. Eastham；以及资深作者、MIT 数据、系统与社会研究所（IDSS）和 EAPS 教授、CS3 主任 Noelle E. Selin。该研究本周发表在《美国国家科学院院刊》上。 

更快速的替代模型

气候科学家通常使用地球系统模型（ESM）来对全球温度或降水如何随温室气体排放变化而改变进行长期预测。

这些庞大的、基于物理的模型极其详细地捕捉了地球气候的主要组成部分和相互作用。ESM 虽然强大，但在超级计算机集群上运行可能需要数月——而这仅仅是为了预测一种可能的未来气候情景。 

Selin 及其合作者设计气候模拟器，这是一种快速 AI 替代模型，可模仿完整规模 ESM 的行为。模拟器帮助科学家测试多种情景、做出更准确的预测，并探索特定污染物和区域影响。

“气候模拟器只需几秒钟就能运行，因此它确实拓展了我们在探索这些未来气候情景方面所能做的事情，”Womack 说。

当科学家设计气候模拟器时，他们通常使用一组基于现实未来排放轨迹的六到八个未来情景来训练 AI 模型。他们必须让每个情景都通过一个全尺度的 ESM 运行，这使得这些数据集的生成既昂贵又耗时。 

麻省理工学院的研究人员最近发现，使用现实的未来情景作为训练数据可能导致模拟器性能不佳，无法预测不熟悉或新颖的情景。 

在这项工作中，他们开发了一种算法，能够生成一个经过优化的气候情景合成数据集，专门用于提升某个模拟器的预测性能。

“我们的算法可能会生成一些奇怪的、看起来完全不像现实未来的情景，但我们并不太在意训练情景是否现实。我们只是想尽可能构建最好的数据集来训练模拟器，”Womack 说。

重要的是，用户无需运行完整的 ESM 六到八次来生成训练数据，而只需运行该模型一次。

调整训练数据 

研究人员首先使用一个快速且简单的气候模型生成一个任意气候情景。他们测试自己的模拟器能多好地重现该 ESM 的结果，从而得到误差的度量。

由于他们构建训练流程时所使用的编程技术，他们可以迭代更新训练数据，以提高模拟器的预测能力。例如，该算法可以在 2050 年大幅增加 CO₂ 排放，或在 2037 年迅速减少甲烷排放。

然后，优化过程会更新训练数据，直到模拟器的误差水平达到某个阈值。

最终，合成数据并不像排放沿平滑轨迹变化的现实情景，而是包含快速的变化。

“通过引入这些高频的波动和振荡，我们的数据使模拟器能够提取关于整个系统的更多信息，”Womack 解释道。

他们的训练算法输出这些排放情景，可用于训练一个更准确、适应性更强的模拟器。

“未来，我们肯定会看到以前从未见过的气候和情景。如果我们能更稳健地模拟这些不同的情景，就能为需要信息的利益相关者提供更可靠的信息，”Selin 说。

例如，用他们的技术训练的模拟器可以捕捉局部污染物控制政策的效果——这些政策减少一种污染物，而其他排放继续上升。他们评估的传统模拟器未能通过这一测试。  

从长远来看，Womack 希望这项工作能提高快速且适应性强的气候模拟器在政策制定中的实用性。 

“在打造真正回应利益相关者需求的有用工具方面，这是整个流程中非常重要的一环。因为训练一个模拟器的过程可能需要数月甚至数年，我们现有的模拟器通常已经过时。通过缩短这一生产时间，我认为这项技术将在把更新后的工具交到研究人员和从业者手中方面带来变革，”Selin 补充道。

未来，研究人员希望使用由完整 ESM 生成的排放情景来测试他们的技术。他们还希望将其应用于其他类型的气候模型，并探索其在更广泛的机器学习和计算机视觉应用中的有效性。

这项研究是“将计算引入气候挑战”（BC3）项目的一部分，并得到了 Schmidt Sciences 通过 MIT Grand Challenges 的支持。

来源：MIT News · news.mit.edu