气候模拟器训练不再依赖真实情景：MIT用合成数据把训练所需的地球系统模型运行次数压到一次

气候模拟器的训练数据可以不再取自真实排放路径，而由算法专门生成，目的是让模拟器在新情景上更准确、更易适应。 以往设计模拟器时，通常用六到八个基于现实排放轨迹的未来情景作为训练集，每个情景都要跑一遍全尺度地球系统模型，数据昂贵且耗时。 用少量精选合成数据训练的模拟器能准确预测训练中未见过情景的结果，而所评估的传统模拟器未能适应新情景。

训练流程从一个快速简单气候模型生成的任意情景出发，反复调整排放轨迹，直到模拟器复现全尺度模型结果的误差降到设定阈值。 这套优化算法输出的合成情景带有高频抖动和振荡，与排放平滑变化的现实情景不同，其作用是让模拟器从系统中提取更多信息。 在局部污染物控制情景中，一种污染物下降而其他排放继续上升，用该方法训练的模拟器能刻画其效果，所评估的传统模拟器未通过这一测试。

已展示的范围是气候模拟器的训练数据生成与预测测试，包括训练中未见过情景的预测和一种污染物下降而其他排放上升的局部控制情景；研究者下一步计划用全尺度地球系统模型生成的排放情景检验该方法，并把它用于其他类型气候模型以及更广的机器学习和计算机视觉应用。

合成训练情景刻意不像现实未来，研究者明确表示不在意训练情景是否现实；方法尚未在全尺度地球系统模型生成的排放情景上测试，向其他气候模型和更广机器学习应用的推广仍是计划。