The Pulse

Un team del MIT testa un metodo di addestramento dell’IA climatica con meno dati

I ricercatori hanno usato scenari di emissioni ottimizzati per addestrare emulatori climatici su dataset più piccoli. In un test con un modello climatico semplice, un emulatore addestrato su un solo scenario ottimizzato ha superato uno addestrato su sei traiettorie standard.

AI.info Team · · verificato · su 4 fonti ↓ · Pubblicato 12 nov 2026

Un emulatore climatico basato sull’IA e addestrato su un solo scenario appositamente progettato ha superato un emulatore addestrato su sei traiettorie standard in un test con un modello climatico semplice, secondo uno studio pubblicato su Proceedings of the National Academy of Sciences. I ricercatori hanno sviluppato un metodo per ottimizzare i dati di addestramento, in modo che un emulatore possa gestire scenari diversi da quelli incontrati durante l’addestramento.

Lo studio è apparso online il 9 novembre. Il primo autore, Christopher B. Womack, è ora ricercatore post-dottorato presso ETH Zurich, mentre l’autrice senior, Noelle E. Selin, è professoressa al MIT e direttrice del suo Center for Sustainability Science and Strategy.

Sostituire le costose simulazioni per l’addestramento

Gli emulatori climatici sono modelli di IA che riproducono il comportamento di modelli più grandi del sistema Terra. Gli scienziati li usano per esplorare come le attività umane potrebbero influenzare le temperature future, il livello dei mari e altri aspetti del clima.

Un modello del sistema Terra basato sulla fisica può impiegare mesi su un cluster di supercomputer per elaborare una proiezione di un singolo scenario futuro. Gli emulatori, invece, possono essere eseguiti in pochi secondi, permettendo agli scienziati di testare molti scenari diversi.

L’addestramento degli emulatori richiede comunque dati ottenuti dalle simulazioni dei modelli climatici. Secondo MIT News, i ricercatori usano spesso da sei a otto scenari basati su traiettorie plausibili delle emissioni future, eseguendo una simulazione per ciascuno con un modello completo del sistema Terra per creare il set di addestramento. Il nuovo approccio intende ridurre questa necessità: secondo i ricercatori, a un utente basterebbe eseguire il modello completo una sola volta per generare i dati di addestramento.

Progettare scenari per l’apprendimento

Il metodo parte da uno scenario arbitrario generato da un modello climatico semplice e veloce. I ricercatori misurano quanto bene un emulatore riproduce i risultati del modello, quindi modificano ripetutamente i dati di addestramento per migliorarne la capacità predittiva.

Queste modifiche possono produrre scenari diversi da traiettorie plausibili delle emissioni. Anziché seguire traiettorie regolari, i dati sintetici presentano rapidi cambiamenti, come un forte aumento delle emissioni di anidride carbonica o una rapida diminuzione di quelle di metano.

Lo studio riferisce che, nel test con il modello semplice, l’emulatore addestrato su uno scenario ottimizzato ha distinto i diversi comportamenti fisici degli agenti di forzante climatica, tra cui gas serra e aerosol, senza simulazioni separate per i singoli agenti. Ha inoltre ottenuto risultati migliori pur essendo stato addestrato su un dataset più piccolo rispetto all’emulatore usato per il confronto.

I ricercatori riferiscono anche che gli scenari ottimizzati con il modello semplice hanno prodotto un emulatore più capace quando sono stati usati con un modello climatico di complessità intermedia. In quel test, il termine di confronto era un emulatore addestrato sui risultati di traiettorie di scenario standard.

Test sulle politiche e prossimi passi

In un test descritto da MIT News, un emulatore addestrato con la nuova tecnica ha colto gli effetti di una politica locale di controllo dell’inquinamento che ha ridotto un inquinante mentre le altre emissioni continuavano ad aumentare. Gli emulatori tradizionali valutati dal team non hanno superato il test.

Il team prevede di testare la tecnica usando uno scenario di emissioni generato da un modello completo del sistema Terra. Vuole inoltre applicare l’approccio ad altri modelli climatici e studiarne i potenziali impieghi nel machine learning e nella visione artificiale in senso più ampio.

Lo studio afferma che il codice e i dati necessari per riprodurre il lavoro sono disponibili pubblicamente su Zenodo. La ricerca faceva parte del progetto Bringing Computation to the Climate Challenge, con il sostegno di Schmidt Sciences attraverso le MIT Grand Challenges.