Yapay zeka destekli iklim modelleri, karmaşık atmosfer ve okyanus süreçlerini simüle etmek için giderek daha sık kullanılıyor. Bu modeller, klasik fizik tabanlı simülasyonlara kıyasla çok daha hızlı çalışabiliyor; ancak eğitim dışı koşullara ne kadar iyi uyum sağlayabildikleri hâlâ tartışmalı bir konu.
Alandaki çoğu çalışma, bu sorunu model mimarisi üzerinden çözmeye çalışıyor: fiziksel kısıtlamaları ağa gömmek, enerji korunumu gibi prensipleri modele dahil etmek bunların başında geliyor. Ancak yeni bir araştırma, bu yaklaşımın göz ardı ettiği kritik bir noktanın altını çiziyor: eğitim veri setinin kendisi.
Araştırmacılar, mevcut iklim senaryolarının yapısal çeşitlilikten yoksun olduğunu tespit etti. Benzer emisyon yolları ve benzer zorlamaları içeren bu senaryolarla eğitilen modeller, daha önce hiç karşılaşmadıkları farklı yapıdaki koşulları tahmin etmekte zorlanıyor. Bu durum, modelin öğrenme kapasitesi ne kadar geliştirilirse geliştirilsin aşılamayan bir performans tavanı oluşturuyor.
Yeni yöntem, bu tavanı ortadan kaldırmak için türevlenebilir (differentiable) bir Basit İklim Modeli kullanıyor. Sistem, yapay zeka modelinin hata fonksiyonunun eğitim verisi pertürbasyonlarına olan duyarlılığını hesaplıyor ve bu bilgiyi kullanarak eğitim senaryolarını adım adım güncelliyyor. Amaç, modeli en çok öğrenmeye zorlayacak veri noktalarını bulmak; yani bilgi içeriği en yüksek olan senaryoları belirlemek.
Sonuçlar dikkat çekici: bu yöntemle optimize edilmiş tek bir senaryo üzerinde eğitilen model, çok sayıda ancak yapısal açıdan benzer senaryo kullanan modelleri belirgin biçimde geride bırakıyor. Özellikle eğitim setinde hiç yer almayan, yapısal olarak farklı senaryolara genelleme yapma konusunda ciddi bir iyileşme gözlemleniyor.
Çalışma şimdilik Basit İklim Modeli ölçeğinde test edilmiş olsa da yaklaşımın daha karmaşık iklim emülatörlerine uygulanabilirliği büyük ilgi görüyor. Araştırmacılar, bu yöntemin iklim biliminde veri üretimini temelden yeniden düşündürebileceğini savunuyor: bazen daha fazla veri toplamak yerine mevcut veriyi daha verimli kullanmak çok daha etkili sonuçlar verebilir.