기계 학습은 기후 과학에서 사용될 때 기후 시스템에 대한 실제 이해를 구축합니다. 이것은 우리가 기계 학습과 기후 과학에서의 응용 프로그램을 신뢰할 수 있음을 의미한다고 저자들은 말합니다.
사람 또는 기계
크고 복잡한 기후 모델은 슈퍼 컴퓨터에서 몇 달 동안 실행해야하므로 작업하기가 종종 비현실적입니다. 대안으로 기후 과학자들은 종종 단순화 된 모델을 연구합니다.
일반적으로 기후 모델을 단순화하기 위해 두 가지 다른 접근 방식이 사용됩니다. 기후 전문가가 누락 된 기능이 축소 된 모델에 유지되는 부분에 미칠 영향을 추정하는 하향식 접근 방식입니다. 그리고 기후 데이터가 기계 학습 프로그램에 공급되는 상향식 접근 방식은 기후 시스템을 시뮬레이션합니다.
두 가지 방법은 비슷한 결과를 낳습니다. 그러나 데이터 기반 (상향식) 접근 방식을 완전히 신뢰하기 위해 물리적으로 이해하는 것은 어려운 문제입니다. 기계 학습 프로그램이 복잡한 동적 시스템을 다루고 있다는 것을 '이해'합니까, 아니면 단순히 올바른 답을 통계적으로 추측하는 데 능숙합니까?
지능형 솔루션
이제 과학자 그룹은 EMR (Empirical Model Reduction)이라는 기계 학습 프로그램이 실제로 수행중인 작업을 알고 있다는 것을 분석적으로 컴퓨터 시뮬레이션을 사용하여 증명합니다. 이 연구는 기계 학습이 소프트웨어에서 자체 버전의 기후 모델을 구성하기 때문에이 컴퓨터 프로그램이 더 큰 모델의 하향식 축소와 비슷한 결과에 도달한다는 것을 보여줍니다.
“이 조사에서 우리가하는 일은이 특정 데이터 기반 프로토콜이 작동하는 이유에 대한 일종의 물리적 증거를 제공하는 것이라고 생각합니다. 그리고 그것은 저에게 상당히 의미가 있습니다. 왜냐하면 그 방법은 꽤 오랫동안 대기 과학에 있었기 때문입니다. 그러나 방법론에 대한 이해에는 여전히 많은 차이가있었습니다.”라고 Ph.D는 말합니다. 학생 Manuel Santos Gutiérrez.
격려하고 유용함
이 연구는 기계 학습 방법이 동적 및 물리적으로 건전하며 강력한 시뮬레이션을 생성 함을 나타냅니다. 저자에 따르면 이것은 기후 과학 및 다른 과학에서 데이터 기반 방법을 더 많이 사용하도록 동기를 부여해야합니다.
“매우 고무적인 단계입니다. 어떤 의미에서는 데이터 기반 방법이 지능적임을 의미하기 때문입니다. 데이터 에뮬레이터가 아닙니다. 동적 프로세스를 포착하는 모델입니다. 데이터 뒤에있는 것을 재구성 할 수 있습니다. 그리고 이것은 이러한 이론적 도출이 알고리즘 적으로 유용한 객체를 제공한다는 것을 나타냅니다.”라고 레딩 대학의 통계 역학 교수 인 Valerio Lucarini는 말합니다.
그 결과는 응용 수학, 통계 물리학, 데이터 과학, 기후 과학 및 복잡한 시스템 과학. 또한 복잡한 동적 시스템을 연구하지만 비행기, 선박, 풍력 터빈의 엔지니어링 또는 교통 모델링, 에너지 그리드, 유통 네트워크와 같은 부분적인 정보 만 액세스 할 수있는 다양한 산업 컨텍스트에 영향을 미칠 것입니다.