L'apprendimento automatico, se utilizzato nelle scienze del clima, consente di comprendere realmente il sistema climatico. Ciò significa che possiamo fidarci dell'apprendimento automatico e approfondire le sue applicazioni nella scienza del clima, affermano gli autori.
Uomo o macchina
I modelli climatici grandi e complessi sono spesso poco pratici con cui lavorare poiché devono funzionare per mesi su supercomputer. In alternativa, gli scienziati del clima spesso studiano modelli semplificati.
Generalmente, vengono utilizzati due diversi approcci per semplificare i modelli climatici: Un approccio top-down in cui gli esperti del clima stimano quale impatto avranno le funzioni omesse sulle parti mantenute nel modello ridotto. E un approccio dal basso, in cui i dati climatici vengono alimentati da un programma di apprendimento automatico, che simula quindi il sistema climatico.
I due metodi danno risultati comparabili. È un problema impegnativo, tuttavia, comprendere fisicamente gli approcci basati sui dati (bottom-up) per fidarsi completamente di essi. I programmi di machine learning "capiscono" di avere a che fare con un sistema dinamico complesso o sono semplicemente bravi a indovinare statisticamente le risposte giuste?
Soluzione intelligente
Ora, un gruppo di scienziati dimostra analiticamente e utilizzando simulazioni al computer, che un programma di apprendimento automatico chiamato Empirical Model Reduction (EMR) in effetti sa cosa sta facendo. Lo studio mostra che questo programma per computer raggiunge risultati comparabili alle riduzioni dall'alto verso il basso di modelli più grandi perché l'apprendimento automatico costruisce la propria versione di un modello climatico nel suo software.
“Penso che ciò che facciamo in questa indagine sia fornire una sorta di prova fisica del perché questo particolare protocollo basato sui dati funziona. E questo per me è abbastanza significativo, perché il metodo è nelle scienze dell'atmosfera da molto tempo. Eppure c'erano ancora molte lacune nella comprensione delle metodologie", afferma Ph.D. studente Manuel Santos Gutiérrez.
Incoraggiante e utile
Lo studio indica che il metodo di apprendimento automatico è dinamicamente e fisicamente valido e produce simulazioni robuste. Secondo gli autori, questo dovrebbe motivare l'ulteriore utilizzo di metodi basati sui dati nella scienza del clima e in altre scienze.
“È un passo molto incoraggiante. Perché in un certo senso significa che il metodo basato sui dati è intelligente. Non è un emulatore di dati. È un modello che cattura i processi dinamici. È in grado di ricostruire cosa c'è dietro i dati. E questo indica che queste derivazioni teoriche ti danno un oggetto che è algoritmicamente utile", afferma Valerio Lucarini, professore di meccanica statistica all'Università di Reading.
Il risultato è importante in una serie di campi: matematica applicata, fisica statistica, dati scienza, scienza del clima e scienza dei sistemi complessi. E avrà implicazioni in una serie di contesti industriali, in cui vengono studiati sistemi complessi e dinamici ma sono accessibili solo informazioni parziali, come l'ingegneria di aeroplani, navi, turbine eoliche o nella modellazione del traffico, reti energetiche, reti di distribuzione.