MIT treina emulador climático com dados sintéticos: uma única execução do modelo físico em vez de 6–8

É uma história familiar para quem constrói modelos substitutos: o simulador real é preciso, mas lento e caro, enquanto a rede neural que o substitui falha assim que é solicitada a ir além dos exemplos de treinamento. Pesquisadores do MIT deram um passo para resolver esse problema na modelagem climática. O trabalho foi publicado na Proceedings of the National Academy of Sciences.

Qual é o problema

Os climatologistas calculam previsões de longo prazo com modelos do sistema terrestre (ESM). São enormes modelos físicos que descrevem o clima nos mínimos detalhes. A desvantagem é óbvia: um único cenário de futuro pode levar meses para ser calculado em um cluster de supercomputadores.

Por isso surgiram os emuladores climáticos: modelos de IA que copiam o comportamento dos ESM, mas respondem em segundos. Isso permite percorrer milhares de cenários: o que acontecerá com a temperatura ou o nível do mar se as emissões forem alteradas de diferentes maneiras. Mas os emuladores têm um ponto fraco. Eles geralmente são treinados com seis a oito trajetórias "realistas" de emissões, e cada uma precisa passar por um ESM caro. Além disso, como os próprios autores descobriram antes, esses emuladores têm desempenho ruim com cenários desconhecidos.

Como funciona

A ideia é contraintuitiva: os dados de treinamento não precisam parecer realistas. O algoritmo parte de um cenário arbitrário, calculado por um modelo climático simples e rápido. Em seguida, verifica-se o quão bem o emulador reproduz o resultado do ESM de referência, o que gera uma estimativa do erro. Graças às particularidades da construção do pipeline de treinamento, os dados podem ser ajustados iterativamente para que o erro diminua. Por exemplo, o algoritmo pode elevar bruscamente as emissões de CO2 em 2050 ou reduzir rapidamente as de metano em 2037. O ciclo continua até que o erro caia abaixo de um limite definido.

O resultado são cenários não com curvas suaves, mas com saltos e oscilações rápidos. Segundo o autor principal, Christopher Womack, esses "zigue-zagues de alta frequência" permitem ao emulador extrair muito mais informação do sistema. O melhor para o orçamento: o ESM completo precisa ser executado apenas uma vez, e não de seis a oito.

Pode-se fazer uma analogia com testes de engenharia. Se você testa um sistema apenas com cargas típicas, descobre como ele funciona em um dia comum. Se aplica degraus e impulsos bruscos, descobre mais rápido como ele reage a praticamente qualquer coisa. Aqui o princípio é o mesmo: entradas "não naturais" revelam melhor a dinâmica do sistema.

Na validação, o emulador treinado com o novo método, com um volume visivelmente menor de dados sintéticos cuidadosamente selecionados, previu com precisão os resultados de cenários que não tinha visto durante o treinamento. Os emuladores tradicionais não conseguiram. Um exemplo do artigo: uma política de controle de um poluente local, em que um tipo de emissão é reduzido enquanto os demais continuam crescendo. É justamente esse tipo de caso que importa para decisões práticas, e justamente esse que os emuladores convencionais não conseguiam resolver.

Limitações e conclusão prática

Por enquanto, é um resultado com ressalvas. Os próprios autores escrevem que querem testar o método em um cenário gerado por um ESM completo, e não apenas por um modelo simplificado. Eles também precisarão aplicá-lo a outros tipos de modelos climáticos. As conclusões sobre aprendizado de máquina em geral e visão computacional continuam sendo planos, não resultados.

Ainda assim, a lição vai muito além do clima. Se você constrói um substituto para um simulador caro, seja de física, CFD, modelagem financeira ou um gêmeo digital de produção, não convém usar cegamente dados "realistas". Muitas vezes compensa mais formular a tarefa como uma otimização do próprio conjunto de treinamento: selecionar as entradas que melhor reduzem o erro do modelo em condições novas.

Para gerentes de produto e fundadores também há um sinal. O principal gargalo dessas ferramentas não é a arquitetura da rede, mas o custo dos dados e o tempo de atualização. Segundo a líder do trabalho, Noelle Selin, treinar um emulador pode levar meses e até anos, e por isso as ferramentas prontas ficam rapidamente desatualizadas. Se for possível encurtar esse ciclo, modelos atualizados chegarão mais rápido aos pesquisadores e aos tomadores de decisão.

A pesquisa foi realizada no âmbito do projeto Bringing Computation to the Climate Challenge, com apoio da Schmidt Sciences.