MIT разрабатывает фреймворк ИИ для моделирования беспрецедентных климатических экстремумов, выходящих за рамки исторических наблюдений

Ученые из Massachusetts Institute of Technology створили фреймворк машинного обучения, способный моделировать беспрецедентные климатические явления, предоставив градостроителям и аналитикам климатических рисков инструмент для симуляции сценариев катастроф за пределами зарегистрированной истории. Система искусственного интеллекта генерирует физически правдоподобные атмосферные модели суровых явлений, которые никогда не встречались в современных данных наблюдений, согласно материалу, опубликованному TOI Science Desk в августе 2026 года. В качестве эталонной демонстрации исследователи применили фреймворк для симуляции гипотетического однодневного выпадения 300 миллиметров осадков над New York City — цифра, существенно превышающая исторический зарегистрированный максимум города, составляющий около 200 миллиметров. Объединяя атмосферную физику в генеративные алгоритмы машинного обучения, этот инструмент восполняет критический пробел в области климатической стойкости: позволяя проектировать инфраструктуру с расчетом не на худшие события прошлого, а на беспрецедентные экстремумы меняющегося климата.

## Key facts - Исследователи из Massachusetts Institute of Technology разработали фреймворк искусственного интеллекта для симуляции погодных экстремумов, выходящих далеко за рамки исторических наборов данных. - Модель оценила сценарий с выпадением 300 миллиметров осадков в New York City, что намного превышает исторический суточный рекорд города, составляющий примерно 200 миллиметров. - Традиционные модели рисков опираются на исторические данные метеостанций и статистическую экстраполяцию, которые часто не учитывают нестационарные климатические условия. - Фреймворк включает в себя физически информированное машинное обучение, обеспечивающее гидродинамическую и термодинамическую правдоподобность синтетических сценариев суровой погоды. - Современные городские дренажные системы в крупнейших мегаполисах мира обычно проектируются с расчетом на выдерживание исторических событий, происходящих раз в 50 или 100 лет, а не ненаблюдаемых «хвостовых» рисков.

## What happened Данная разработка решает одну из самых сложных вычислительных проблем в атмосферной науке: симуляцию физических катастроф, не имеющих предварительных базовых данных наблюдений. Традиционные модели искусственного интеллекта, обученные на исторических данных атмосферных реанализов, хорошо справляются с прогнозированием знакомых погодных паттернов. Однако при попытке спрогнозировать условия за пределами их обучающего распределения стандартные архитектуры глубокого обучения часто выдают физически невозможные результаты или возвращаются к историческим средним значениям.

Чтобы преодолеть это ограничение, исследовательская группа MIT створила архитектуру физически информированного машинного обучения, адаптированную для симуляции экстремальных значений. Вместо того чтобы полагаться исключительно на эмпирическое распознавание паттернов, система накладывает фундаментальные физические ограничения, включая законы сохранения массы, импульса и тепловой энергии в атмосферных столбах. Это гарантирует, что когда искусственный интеллект прогнозирует экстремальный сценарий, полученные погодные поля — такие как скорость ветра, барометрическое давление, влагосодержание атмосферы и температура поверхности — остаются физически согласованными.

В ходе тестирования системы исследователи оценили, как катастрофическое атмосферное возмущение может проявиться в мегаполисе New York City. Исторические данные показывают, что максимальное суточное количество осадков в New York City составляет около 200 миллиметров. Фреймворк MIT сгенерировал детализированные локализованные симуляции правдоподобного шторма, способного принести 300 миллиметров осадков — на 50 процентов больше известных рекордов наблюдений.

Полученные результаты обеспечивают пространственно четкое, разрешенное во времени картографирование того, как подобный шторм будет перемещаться по городской топографии. Они позволяют определить, как насыщенные влагой воздушные массы могут застаиваться над конкретными водосборными бассейнами, провоцируя каскадные внезапные паводки в низменных районах, подземных транспортных коридорах и на критически важных автомагистралях.

## Why it matters Возможность генерировать физически согласованные сценарии беспрецедентных штормов представляет собой значительный сдвиг для общественной инфраструктуры, политики адаптации к климату, муниципальных финансов и мировой страховой отрасли.

Десятилетиями инженеры-строители и проектировщики городов проектировали общественные объекты с использованием исторических карт рисков наводнений, подготовленных государственными органами. В США Federal Emergency Management Agency составляет карты на основе статистического анализа записей гидрометрических постов и данных об осадках, собранных за предыдущие 50–100 лет. Эти карты определяют строительные нормы, правила зонирования и требования к высоте критически важной инфраструктуры, такой как водоочистные сооружения и транспортные сети.

Однако исторические данные становятся все менее надежным ориентиром для будущих рисков. Согласно соотношению Клаузиуса — Клапейрона, повышение средней глобальной температуры атмосферы на каждый 1 градус Цельсия позволяет атмосфере удерживать примерно на 7 процентов больше водяного пара. По мере роста глобальных температур штормовые системы поглощают большее количество влаги, что приводит к высокой интенсивности осадков во время суровых штормов.

Если муниципальное планирование останется привязанным к историческим верхним пределам, вновь создаваемая инфраструктура окажется недостаточно рассчитанной на условия середины века. Выпадение 300 миллиметров осадков в New York City, смоделированное фреймворком MIT, перегрузит стандартные сети ливневой канализации, рассчитанные на меньшие объемы. Такое событие создает риск катастрофического затопления линий метро, подземных кабельных коллекторов и жилых районов.

Помимо физического планирования, технология имеет прямые последствия для страхования. Перестраховочные компании полагаются на модели катастроф при определении требований к капитальным резервам и андеррайтинге имущественных рисков. Модели, не учитывающие ненаблюдаемые «хвостовые» риски, могут привести к внезапной дестабилизации рынка или неплатежеспособности после катастроф. Предоставляя детализированные симуляции теоретических экстремумов, инструмент MIT позволяет страховщикам и рейтинговым агентствам проводить реалистичное финансовое стресс-тестирование.

## The background Задача прогнозирования редких суровых погодных явлений традиционно разделялась между двумя вычислительными методологиями, каждая из которых имеет структурные ограничения.

Первый подход опирается на модели общей циркуляции и системы численного прогноза погоды. Эти вычислительные движки на основе физики решают уравнения гидродинамики в трехмерных сетках, охватывающих весь земной шар. Хотя они физически строги, высокодетализированные модели общей циркуляции требуют колоссальных вычислительных мощностей суперкомпьютеров. Проведение достаточного количества ансамблевых итераций с высоким разрешением для улавливания крайне редких событий — таких как шторм, случающийся раз в 500 лет — требует огромных вычислительных ресурсов и времени, что делает комплексный анализ «хвостовых» рисков экономически и технически неподъемным для муниципальных отделов планирования.

Второй исторический подход опирается на математическую статистику, в частности на теорию экстремальных значений. Теория экстремальных значений подгоняет параметрические распределения вероятностей к историческим записям станций для экстраполяции периодов повторяемости ненаблюдаемых событий. Однако теория экстремальных значений опирается на ключевое допущение о стационарности климата — принцип, согласно которому природные системы колеблются в неизменном диапазоне изменчивости. Быстрое ускорение изменений климата сделало допущение о стационарности недействительным. Экстраполяция исторических распределений в условиях нестационарного климата часто приводит к серьезной недооценке частоты и масштаба будущих событий.

В последние годы модели глубокого обучения, обученные на десятилетиях глобальных данных атмосферного реанализа — таких как датасет ERA5 European Centre for Medium-Range Weather Forecasts, каталогизирующий атмосферные параметры с 1979 года по настоящее время, — трансформировали краткосрочные прогнозы погоды. Системы, такие как GraphCast от Google DeepMind и FourCastNet от Nvidia, могут генерировать пятидневные глобальные прогнозы за секунды на одиночных графических процессорах. Однако, поскольку эти нейросети учатся исключительно на исторических реанализах, они испытывают трудности при прогнозировании событий, превышающих максимальные значения, присутствующие в их обучающих выборках.

Недавние исторические события продемонстрировали реальную опасность использования исторических пределов. В сентябре 2021 года остатки урагана Ida принесли более 80 миллиметров осадков за один час над Central Park, установив кратковременный рекорд для New York City и затопив метро. В июне 2021 года необычный «тепловой купол» над Тихоокеанским Северо-Западом поднял температуру в Lytton, British Columbia, до 49,6 градуса Цельсия, перекрыв предыдущие национальные рекорды почти на 5 градусов Цельсия — результат, который стандартные модели рассчитывали как статистически практически невозможный при исторических распределениях.

## Reaction После публикации отчета TOI Science Desk ожидается, что ученые-климатологи, специалисты по городской устойчивости и менеджеры по рискам оценят возможность интеграции системы ИИ с физическим информированием в существующие структуры реагирования на бедствия и инфраструктурного планирования.

Ожидается, что исследователи атмосферы сосредоточатся на проверке физических ограничений модели в различных географических условиях по всему миру, чтобы синтетические штормы, сгенерированные в прибрежных районах, горных зонах и внутренних речных бассейнах, последовательно отражали местную термодинамическую реальность. Ассоциации инженеров-строителей, как ожидается, изучат вопрос о том, можно ли включить данные о синтетических «хвостовых» рисках в обновленные строительные нормы и руководства по управлению ливневыми стоками.

Финансовые институты и эмитенты муниципальных облигаций также внимательно следят за развитием событий. Рейтинговые агентства все чаще требуют от городов раскрытия физических климатических рисков перед выпуском долгосрочных муниципальных облигаций для инфраструктурных проектов. Демонстрация способности моделировать и выдерживать беспрецедентные климатические шоки может стать стандартным требованием для сохранения кредитных рейтингов в прибрежных мегаполисах.

## What we don't know yet Несмотря на многообещающие возможности фреймворка MIT, несколько технических и операционных вопросов остаются открытыми.

Остается неясным, насколько легко модель может быть масштабирована и откалибрована для географических регионов с ограниченным количеством исторических метеорологических станций, таких как регионы Global South. В то время как крупные городские центры, такие как New York City, располагают плотной сетью метеостанций и радарным покрытием, охватывающим более века, в развивающихся регионах часто отсутствуют плотные данные наблюдений, что может повлиять на точность базиса машинного обучения.

Кроме того, валидация представляет собой парадокс. Поскольку система специально предназначена для моделирования беспрецедентных экстремальных событий, прямая эмпирическая валидация ее результатов наибольшей интенсивности невозможна до тех пор, пока не произойдет сравнимое бедствие. Исследователи вынуждены полагаться на методы суррогатной валидации, такие как проверка того, может ли модель точно воссоздать исторические экстремальные события при обучении на усеченных наборах данных, исключающих эти события.

Наконец, конкретные детали относительно публичного доступа, вычислительных расходов и лицензирования распространения пока не раскрыты в полном объеме. Неизвестно, планирует ли MIT выпустить модель как программное обеспечение с открытым исходным кодом для государственных органов городского планирования по всему миру или же лицензировать фреймворк через частные партнерства в сфере климатической аналитики.

## What to watch В ближайшие месяцы практическое влияние исследования прояснят несколько ключевых этапов: - Публикация полной рецензируемой технической литературы с подробным описанием математической архитектуры и физических функций потерь нейросети. - Объявления о пилотных проектах между исследователями MIT и государственными агентствами, такими как New York City Emergency Management, Federal Emergency Management Agency или региональные транспортные управления. - Выпуск эталонных наборов данных, демонстрирующих синтетические сценарии «хвостовых» рисков для других крупных мировых мегаполисов, подверженных суровым климатическим опасностям. - Технические презентации на предстоящих международных конференциях по климату и искусственному интеллекту, таких как ежегодное собрание American Meteorological Society или NeurIPS. - Возможная интеграция физически информированных генеративных моделей в коммерческие платформы оценки рисков, используемые мировым страховым и банковским секторами.

Этот материал основан на оригинальном научном репортаже TOI Science Desk.