Naukowcy opracowali ReRoute -框架 dla predykcji kontrfaktycznych w naukowych emulatorach, która radzi sobie bez kontrolowanych eksperymentów. Problem, który rozwiązuje, dotyczy sytuacji, gdy modele radzą sobie świetnie na danych obserwacyjnych, ale upadają przy pytaniach "co jeśli" - zwłaszcza gdy zmienne o zależnościach zmienia się niezależnie. Typowe rozwiązanie wymaga dodania danych z kontrolowanej symulacji, ale to jest kosztowne i wymaga dostępu do działającego symulatora.
Metoda działa poprzez ustalenie testowanego wejścia na wartość referencyjną, ponowne wprowadzenie jego zmienności przez znany mechanistyczny kanał informacyjny i fine-tuning na oryginalnych danych rzeczywistych, podczas gdy dalsze efekty pozostają oddane nauczonym dynamikom systemu. Naukowcy zapewnili matematyczną identyfikowalność tej konstrukcji pod jawnymi założeniami strukturalnymi, a główny argument ich pracy został nawet zweryfikowany maszynowo w systemie Lean. W testach na układzie advection-diffusion gdzie znane były dokładne odpowiedzi, ReRoute osiągnął bardzo dokładne predykcje kontrfaktyczne.
W praktyce emulacji klimatu ostatniego pokolenia metoda zmniejszyła zagregowany błąd klimatyczny o 18,2-31,8 procent na utrzymanych interwencjach sprzężonego klimatu przy poważnych zmianach rozkładu CO2. To jest istotne, bo otwiera drogę do bardziej niezawodnych modelów naukowych w domenach, gdzie pełne kontrolowane eksperymenty są niemożliwe lub zbyt drogie do przeprowadzenia.