Các nhà khoa học Mỹ vừa phát triển phương pháp huấn luyện AI mới giúp rút ngắn thời gian xây dựng mô hình mô phỏng khí hậu, đồng thời nâng cao khả năng dự báo những kịch bản biến đổi khí hậu trong tương lai.
Các nhà khoa học tại Viện Công nghệ Massachusetts (MIT) đã phát triển một kỹ thuật huấn luyện trí tuệ nhân tạo (AI) nhằm cải thiện hiệu suất và độ tin cậy của các mô hình mô phỏng khí hậu. Phương pháp này giúp giảm đáng kể lượng dữ liệu cần thiết, qua đó rút ngắn thời gian xây dựng các công cụ phục vụ dự báo và nghiên cứu khí hậu.
Các mô hình mô phỏng khí hậu là những công cụ AI có khả năng tái hiện hoạt động của các mô hình hệ thống Trái Đất (ESM), từ đó dự báo tác động của các hoạt động do con người gây ra đối với khí hậu, chẳng hạn như sự thay đổi nhiệt độ và mực nước biển.
Trong khi các mô hình ESM dựa trên những nguyên lý vật lý có thể mất hàng tháng để xử lý một kịch bản trên hệ thống siêu máy tính, các mô hình mô phỏng bằng AI chỉ cần vài giây để đưa ra kết quả. Nhờ đó, các nhà khoa học có thể thử nghiệm hàng nghìn kịch bản khí hậu khác nhau, phục vụ công tác nghiên cứu và xây dựng chính sách.
Tuy nhiên, quá trình xây dựng các mô hình AI này đòi hỏi nguồn dữ liệu huấn luyện lớn và tốn kém. Theo phương pháp thông thường, các nhà khoa học phải chạy mô hình ESM từ 6-8 lần với những kịch bản phát thải khác nhau để tạo dữ liệu đầu vào.
Bên cạnh đó, việc sử dụng các kịch bản phát thải thực tế làm dữ liệu huấn luyện đôi khi khiến mô hình AI khó thích ứng với những tình huống mới chưa từng xuất hiện trước đó.
Để khắc phục hạn chế này, nhóm nghiên cứu MIT đã phát triển một thuật toán có khả năng tự tạo ra các kịch bản khí hậu tổng hợp, được lựa chọn nhằm tối ưu hóa hiệu quả huấn luyện. Với phương pháp mới, các nhà khoa học chỉ cần chạy mô hình ESM một lần thay vì nhiều lần như trước đây.
Cụ thể, nhóm nghiên cứu sử dụng một mô hình khí hậu đơn giản để tạo ra kịch bản ban đầu, sau đó so sánh kết quả dự báo của mô hình AI với kết quả từ mô hình ESM nhằm xác định sai số. Thuật toán tiếp tục điều chỉnh dữ liệu huấn luyện qua nhiều vòng tối ưu hóa cho đến khi sai số giảm xuống mức mong muốn.
Điểm đáng chú ý là các dữ liệu tổng hợp này không nhất thiết phải phản ánh những diễn biến khí hậu thực tế. Thay vào đó, thuật toán có thể tạo ra những biến động phát thải mạnh và đột ngột, chẳng hạn lượng khí thải CO2 tăng đột biến vào năm 2050 hoặc lượng khí thải methane giảm mạnh vào năm 2037.
Theo các nhà nghiên cứu, những biến động này giúp mô hình AI khai thác được nhiều thông tin hơn về hệ thống khí hậu, qua đó nâng cao khả năng dự báo trong những điều kiện khác nhau.
Kết quả thử nghiệm cho thấy mô hình được huấn luyện bằng phương pháp mới có thể dự đoán chính xác những kịch bản chưa từng xuất hiện trong dữ liệu huấn luyện. Trong khi đó, các mô hình truyền thống được nhóm đánh giá không thể xử lý tốt những tình huống tương tự.
Cụ thể, mô hình mới có thể dự báo tác động của các chính sách kiểm soát ô nhiễm ở cấp địa phương, trong đó lượng phát thải của một chất ô nhiễm giảm xuống trong khi các loại khí thải khác vẫn tiếp tục gia tăng. Đây là tình huống mà các mô hình truyền thống được thử nghiệm đều không dự báo thành công.
Ông Christopher Womack, tác giả chính của nghiên cứu, cho rằng phương pháp mới có thể đẩy nhanh quá trình phát triển các mô hình mô phỏng khí hậu có độ tin cậy cao hơn. Qua đó, các nhà khoa học và nhà hoạch định chính sách có thêm cơ sở để đánh giá tác động của những biện pháp can thiệp đối với môi trường và khí hậu.
Trong khi đó, Giáo sư Noelle E. Selin, tác giả cấp cao của nghiên cứu, nhấn mạnh việc rút ngắn thời gian huấn luyện sẽ giúp các nhà khoa học nhanh chóng xây dựng những công cụ dự báo cập nhật, đáp ứng tốt hơn nhu cầu thực tiễn.
Nghiên cứu được công bố trên tạp chí Proceedings of the National Academy of Sciences (Kỷ yếu Viện Hàn lâm Khoa học Quốc gia Mỹ). Trong thời gian tới, nhóm nghiên cứu dự định tiếp tục thử nghiệm phương pháp này với các mô hình khí hậu khác, đồng thời đánh giá khả năng ứng dụng trong lĩnh vực học máy và thị giác máy tính.
Minh Nguyễn (theo MIT)