MIT:s nya AI kan förutsäga extremväder som saknar motstycke i historiken — ett genombrott för klimatriskmodellering

När historien inte längre räcker som karta

Det finns ett inbyggt problem med hur vi traditionellt modellerar risker: vi utgår från det som redan hänt. Det fungerar hyggligt när världen är stabil — men i ett klimat som förändras snabbare än våra dataset hinner växa, blir det en farlig begränsning.

Det är precis det problemet som ingenjörer vid MIT nu angriper på allvar. Doktoranden Kai Chang och professor Themis Sapsis har utvecklat en metod de kallar Extreme Event Aware, eller η-learning, publicerad i Nature Communications den 20 augusti. Systemet är konstruerat för att kunna förutsäga extrema väderhändelser — även sådana som saknar motstycke i historiska data.

Chang beskriver begränsningen i befintliga modeller rakt på sak: de förutsätter att katastrofala händelser redan finns i träningsdatan. Sapsis gör problemet konkret med ett talande exempel — orkanen Katrina inträffar kanske vart 30 till 40 år. Men en storm som bara drabbar oss vart hundrade år? Den finns troligen inte i något träningsset. Ändå är det just den händelsen som kan slå ut ett helt elnät, översvämma en stad eller kollapsa ett försäkringssystem.

η-learning bryter med den logiken genom att kombinera statistiska metoder med rumsliga mönster på ett sätt som låter modellen extrapolera bortom det kända. Det är en fundamental metodskifte — från att lära sig vad som hänt till att förstå vad som kan hända.

Arktis som testbädd för fysikmedveten AI

Parallellt med MITs arbete presenterar en annan forskargrupp en modell som angriper ett besläktat problem: hur förutsäger man havsisens utbredning i Arktis, ett system som är både fysikaliskt komplext och extremt känsligt för klimatförändringar?

Deras svar är PIHIM — Physics-Informed Hybrid Ice Model — en hybridarkitektur som väver samman djupinlärning med havsisens faktiska fysikaliska samband, däribland kontinuitetsekvationer för istransport och termodynamiska processer. Istället för att låta ett neuralt nätverk gissa sig fram tvingas modellen respektera de naturlagar som faktiskt styr systemet.

Resultatet är en modell som bevarar iskanternas geometri bättre och hanterar felutveckling mer kontrollerat än konventionella metoder. Det låter tekniskt, men konsekvensen är praktisk: mer tillförlitliga prognoser under realistiska förhållanden — precis det som krävs om modellen ska användas i faktiskt beslutsfattande.

Koden planeras dessutom göras öppet tillgänglig efter publicering, vilket öppnar för att forskarsamhället globalt kan bygga vidare på arbetet.

Vad betyder det för Sverige?

Sverige är inte ett land som traditionellt förknippas med orkanrisker eller ökenbildning — men klimatanpassning är högaktuellt även här. Skyfall över Stockholm, stormar längs västkusten, torka i Mälardalen, stigande havsnivåer längs Skånes kuster. Alla dessa scenarier kräver planeringsunderlag som sträcker sig bortom vad vi redan upplevt.

Stadsplanerare som dimensionerar dagvattensystem, elnätsoperatörer som planerar redundans, kommuner som beslutar om byggnation i känsliga områden — alla dessa aktörer behöver modeller som kan hantera det ännu ointräffade. Det är exakt vad η-learning utlovar.

För försäkringsbranschen är implikationerna minst lika stora. Att prissätta risk för händelser utan historiska prejudikat är i dag närmast en gissningslek. En trovärdig fysikmedveten AI-modell förändrar den kalkylen i grunden.

Två spår, en riktning

Det är värt att notera att dessa två forskningsprojekt representerar delvis olika tekniska filosofier. MITs η-learning fokuserar på att statistiskt extrapolera bortom kända händelser. PIHIMs styrka ligger i att baka in fysikalisk kunskap i själva nätverksstrukturen. Men de pekar i samma riktning: vi behöver klimatmodeller som kan resonera om det okända, inte bara återskapa det kända.

Den kombinationen — statistisk djärvhet och fysikalisk förankring — är förmodligen där den riktigt kraftfulla nästa generationens klimat-AI kommer att växa fram.