MIT（麻省理工学院）团队用优化合成数据训练气候模拟器，完整地球系统模型只需运行一次
MIT（麻省理工学院）研究团队提出一种气候模拟器训练方法：用快速简单气候模型生成任意情景，再迭代优化合成训练数据，使完整地球系统模型（ESM）只需运行一次即可构建训练集，而传统做法需运行六至八次。
论文称该方法训练的模拟器能预测训练中未见过的新情景，所评估的传统模拟器在同类测试中未能适应。 研究发表于PNAS（《美国国家科学院院刊》），尚未经业务化气候预测验证。
论文第一作者为MIT（美国麻省理工学院）博士后Christopher Womack（现于ETH Zurich即苏黎世联邦理工学院任职），合作者包括MIT地球、大气与行星科学系（EAPS）博士后Shahine Bouabid、MIT可持续发展科学与战略中心（CS3）研究科学家Andrei Sokolov、CS3博士后Popat Salunke、EAPS海洋学教授Glenn Flierl、伦敦帝国理工学院副教授Sebastian D. Eastham，通讯作者为MIT数据、系统与社会研究所（IDSS）与EAPS教授、CS3主任Noelle E. Selin，论文发表于PNAS。
方法为：先用快速简单气候模型生成任意情景，测试模拟器复现完整ESM结果的误差，再迭代更新训练数据（例如大幅提高2050年CO2排放或快速降低2037年甲烷排放），直至误差达到阈值； 最终合成数据包含高频波动而非现实中平滑的排放轨迹。
研究者称，用该数据训练的模拟器能捕捉局部污染物控制政策效果（一种污染物下降而其他排放继续上升），所评估的传统模拟器未通过该测试。 研究者下一步计划用完整ESM生成的排放情景测试该方法，并扩展至其他气候模型及更广泛的机器学习与计算机视觉应用。
该研究属于Bringing Computation to the Climate Challenge（BC3）项目，由Schmidt Sciences通过MIT Grand Challenges资助。
该研究的价值不在于气候预测本身，而在于展示了一条降低“代理模型”训练数据成本的路径：把昂贵的完整物理模型运行次数从六至八次压缩到一次，用优化合成数据替代多情景仿真。 这与AI（人工智能）基础设施中合成数据生成、训练数据选择和小样本适配的思路同源，说明合成数据不只服务语言模型，也可用于科学代理模型。
需要区分的是，论文结论基于研究者自建的评估测试，属于初步研究结果，不等于该方法已在业务化气候预测或政策制定中被验证； 研究者明确表示合成情景“不必真实”，其外推能力仍需在完整ESM情景上复核。
后续观察信号
- 该方法在完整ESM（地球系统模型）情景上的误差表现如何
- 合成数据训练流程能否迁移到其他高成本仿真领域