機械学習を気候科学で使用すると、気候システムの実際の理解が構築されます。 これは、機械学習を信頼し、気候科学へのその応用を促進できることを意味すると著者は述べています。
人か機械か
大規模で複雑な気候モデルは、スーパーコンピューターで数か月間実行する必要があるため、実際には使用できないことがよくあります。 別の方法として、気候科学者はしばしば単純化されたモデルを研究します。
一般に、気候モデルを簡素化するために XNUMX つの異なるアプローチが使用されます。気候の専門家が、削減されたモデルに保持されている部分に、取り残された関数がどのような影響を与えるかを見積もるトップダウン アプローチ。 そして、気候データが機械学習プログラムに供給され、気候システムをシミュレートするボトムアップ アプローチ。
XNUMX つの方法は、同等の結果をもたらします。 ただし、データ駆動型 (ボトムアップ) アプローチを完全に信頼するために物理的に理解することは難しい問題です。 機械学習プログラムは、複雑な動的システムを扱っていることを「理解」していますか、それとも単に正しい答えを統計的に推測するのが得意なのでしょうか?
インテリジェントなソリューション
現在、科学者のグループが、コンピューター シミュレーションを使用して分析的に証明した結果、経験的モデル リダクション (EMR) と呼ばれる機械学習プログラムが実際に何をしているのかを知っていることを証明しています。 この研究は、機械学習がソフトウェアで気候モデルの独自のバージョンを構築するため、このコンピューター プログラムが、より大きなモデルのトップダウン削減に匹敵する結果に達することを示しています。
「この調査で私たちが行っていることは、この特定のデータ駆動型プロトコルが機能する理由の何らかの物理的証拠を提供することだと思います。 この方法はかなり長い間大気科学に使用されてきたので、これは私にとって非常に意味のあることです。 それでも、方法論の理解にはまだかなりのギャップがありました」と Ph.D は言います。 学生のマヌエル・サントス・グティエレス。
励ましと役に立つ
この調査は、機械学習方法が動的かつ物理的に健全であり、堅牢なシミュレーションを生成することを示しています。 著者によると、これは気候科学や他の科学におけるデータ駆動型手法のさらなる使用を促すはずです。
「とても勇気づけられるステップです。 ある意味、それはデータ駆動型の方法がインテリジェントであることを意味するからです。 データのエミュレーターではありません。 ダイナミックなプロセスを捉えたモデルです。 データの背後にあるものを再構築することができます。 これは、これらの理論的導出がアルゴリズム的に有用なオブジェクトを提供することを示しています」と、レディング大学の統計力学の教授である Valerio Lucarini は述べています。
その結果は、応用数学、統計物理学、 データ 科学、気候科学、複雑系科学。 そしてそれは、複雑で動的なシステムが研究されているが、飛行機、船、風力タービンのエンジニアリング、または交通モデリング、エネルギーグリッド、配電ネットワークなど、部分的な情報しかアクセスできない産業コンテキストの範囲に影響を与えるでしょう.