Một nhóm nghiên cứu tại MIT vừa công bố trên MIT Technology Review một phương pháp Self‑Supervised Learning (SSL) mới, nhằm cải thiện dự đoán mô hình khí hậu. Thay vì dựa vào dữ liệu nhãn khổng lồ, phương pháp này sử dụng các mô hình vật lý mô phỏng để tạo ra các “pretext tasks” cho AI học cách nhận dạng các mẫu thời tiết phức tạp.
Kết quả thí nghiệm trên bộ dữ liệu ERA5 cho thấy mô hình SSL đạt độ chính xác dự báo nhiệt độ và lượng mưa trong 6 tháng tới cao hơn 15 % so với các mô hình truyền thống dựa trên học có giám sát. Phương pháp này còn giảm đáng kể nhu cầu lưu trữ dữ liệu nhãn, mở ra khả năng triển khai mô hình dự báo khí hậu trên các thiết bị có tài nguyên hạn chế.
Các nhà nghiên cứu nhấn mạnh tiềm năng ứng dụng rộng rãi trong việc hỗ trợ quyết định chính sách môi trường, đặc biệt ở các quốc gia đang đối mặt với biến đổi khí hậu nhanh chóng. Họ cũng đang hợp tác với NASA và NOAA để thử nghiệm mô hình trên quy mô toàn cầu.
Bài báo đã nhận được phản hồi tích cực từ cộng đồng AI và khoa học khí hậu, và nhóm MIT đang chuẩn bị mở mã nguồn phần mềm SSL này để cộng đồng có thể tái sử dụng và mở rộng.