Pembelajaran mesin, ketika digunakan dalam ilmu iklim membangun pemahaman yang sebenarnya tentang sistem iklim. Ini berarti kita dapat mempercayai pembelajaran mesin dan lebih jauh lagi penerapannya dalam ilmu iklim, kata para penulis.
Manusia atau mesin
Model iklim yang besar dan kompleks seringkali tidak praktis untuk digunakan karena harus dijalankan selama berbulan-bulan di superkomputer. Sebagai alternatif, ilmuwan iklim sering mempelajari model yang disederhanakan.
Umumnya, dua pendekatan berbeda digunakan untuk menyederhanakan model iklim: Pendekatan top-down di mana para ahli iklim memperkirakan dampak apa yang akan ditimbulkan oleh fungsi-fungsi yang ditinggalkan pada bagian-bagian yang disimpan dalam model yang dikurangi. Dan pendekatan bottom-up, di mana data iklim dimasukkan ke dalam program pembelajaran mesin, yang kemudian mensimulasikan sistem iklim.
Kedua metode tersebut ternyata memberikan hasil yang sebanding. Ini adalah masalah yang menantang, bagaimanapun, untuk secara fisik memahami pendekatan berbasis data (bottom-up) untuk sepenuhnya mempercayai mereka. Apakah program pembelajaran mesin 'memahami' bahwa mereka berurusan dengan sistem dinamis yang kompleks, atau apakah mereka hanya pandai menebak jawaban yang benar secara statistik?
Solusi cerdas
Sekarang, sekelompok ilmuwan membuktikan secara analitis dan menggunakan simulasi komputer, bahwa program pembelajaran mesin yang disebut Pengurangan Model Empiris (EMR) sebenarnya tahu apa yang dilakukannya. Studi menunjukkan bahwa program komputer ini mencapai hasil yang sebanding dengan pengurangan top-down model yang lebih besar karena pembelajaran mesin membangun versi model iklimnya sendiri dalam perangkat lunaknya.
“Saya pikir apa yang kami lakukan dalam penyelidikan ini adalah memberikan semacam bukti fisik mengapa protokol berbasis data ini bekerja. Dan itu bagi saya cukup berarti, karena metode ini sudah cukup lama berada dalam ilmu atmosfer. Namun masih ada cukup banyak kesenjangan dalam pemahaman metodologi,” kata Ph.D. siswa Manuel Santos Gutiérrez.
Mendorong dan bermanfaat
Studi ini menunjukkan bahwa metode pembelajaran mesin secara dinamis dan fisik sehat dan menghasilkan simulasi yang kuat. Menurut penulis, ini harus memotivasi penggunaan lebih lanjut metode berbasis data dalam ilmu iklim serta ilmu lainnya.
“Ini adalah langkah yang sangat menggembirakan. Karena dalam arti tertentu, itu berarti metode berbasis data itu cerdas. Ini bukan emulator data. Ini adalah model yang menangkap proses dinamis. Ia mampu merekonstruksi apa yang ada di balik data. Dan itu menunjukkan bahwa derivasi teoretis ini memberi Anda objek yang secara algoritmik berguna,” kata Valerio Lucarini, profesor mekanika statistik di University of Reading.
Hasilnya penting dalam berbagai bidang: matematika terapan, fisika statistik, data sains, sains iklim, dan sains sistem yang kompleks. Dan itu akan memiliki implikasi dalam berbagai konteks industri, di mana kompleks, sistem dinamis dipelajari tetapi hanya sebagian informasi yang dapat diakses—seperti rekayasa pesawat terbang, kapal, turbin angin, atau dalam pemodelan lalu lintas, jaringan energi, jaringan distribusi.