Uma equipe do Instituto de Tecnologia de Massachusetts (MIT) testou uma técnica para treinar emuladores climáticos com menos simulações. Nos testes, um modelo de aprendizado de máquina treinado com um cenário otimizado reproduziu melhor situações novas do que outro treinado com seis trajetórias de referência.
O ganho veio da seleção dos dados. Os pesquisadores ajustaram o cenário de treinamento para expor o modelo a combinações de emissões que as trajetórias convencionais representavam pouco.
LEIA TAMBÉM
O que o experimento mediu
Emuladores são ferramentas que tentam reproduzir, com menor custo computacional, respostas obtidas em modelos físicos. Neste trabalho, a equipe usou um modelo climático simplificado para testar se o treinamento distinguia efeitos de gases de efeito estufa e aerossóis em situações fora da amostra.
O estudo, publicado on-line em 9 de novembro na revista PNAS e detalhado pelo MIT no dia 12, avaliou a capacidade de generalização em um modelo simplificado. O desempenho observado ainda precisa ser testado em um modelo completo do sistema terrestre.
O objetivo é reduzir a quantidade de simulações caras necessárias para preparar futuros emuladores. As ferramentas podem ajudar a explorar hipóteses de longo prazo, como mudanças na composição das emissões.
