İklim modellemesinde yapay zeka kullanımı hızla gelişirken, mevcut sistemlerin önemli sınırlamaları ortaya çıkıyor. Ai2 İklim Emülatörü (ACE) gibi makine öğrenmesi tabanlı modeller, şimdiye kadar karbondioksit konsantrasyonlarını dikkate alarak eğitilmesine rağmen, yalnızca dar bir senaryo yelpazesinde doğru sonuçlar verebiliyordu.
Araştırmacılar, bu sınırlamanın temel nedenini modelların eğitim verilerinde keşfetti. Deniz yüzey sıcaklığı (SST) ve CO₂ seviyelerinin birbirleriyle bağlantılı olduğu geleneksel veri setleri, modellerin bu iki faktörün ayrı etkilerini öğrenmesini engelliyor. Örneğin, deniz sıcaklığının 4 derece arttığı veya CO₂'nin aniden dört katına çıktığı senaryolarda modeller fiziksel olmayan davranışlar sergiliyordu.
Çözüm olarak geliştirilen 'rastgele CO₂' referans simülasyonları, deniz yüzey sıcaklığı ve karbondioksit seviyelerinin birbirinden bağımsız olarak değişmesine olanak tanıyor. Bu yenilikçi yaklaşım, AMIP (Atmosferik Model Karşılaştırma Projesi) verilerini, denge iklim simülasyonlarını ve rastgele CO₂ verilerini dengeli bir şekilde kullanan hibrit eğitim metodunu mümkün kılıyor.
Yeni eğitim yöntemi, iklim modellerinin ekstrem senaryolarda daha güvenilir tahminler yapmasını sağlayarak, iklim değişikliği araştırmalarında yapay zekanın etkinliğini önemli ölçüde artırıyor.