Pembelajaran mesin, apabila digunakan dalam sains iklim membina pemahaman sebenar mengenai sistem iklim. Ini bermakna kita boleh mempercayai pembelajaran mesin dan seterusnya mengaplikasikannya dalam sains iklim, kata penulis.
Manusia atau mesin
Model iklim yang besar dan kompleks sering tidak praktikal untuk digunakan kerana perlu berjalan selama berbulan-bulan di komputer super. Sebagai alternatif, saintis iklim sering mengkaji model yang dipermudahkan.
Secara umum, dua pendekatan yang berbeza digunakan untuk mempermudah model iklim: Pendekatan top-down di mana pakar iklim menganggarkan apa kesan fungsi yang ditinggalkan pada bahagian yang disimpan dalam model yang dikurangkan. Dan pendekatan dari bawah ke atas, di mana data iklim diberi program pembelajaran mesin, yang kemudian mensimulasikan sistem iklim.
Kedua-dua kaedah itu menghasilkan hasil yang setanding. Walau bagaimanapun, adalah masalah yang mencabar untuk memahami pendekatan berdasarkan data (bawah-atas) secara fizikal untuk mempercayainya sepenuhnya. Adakah program pembelajaran mesin 'memahami' bahawa mereka berurusan dengan sistem dinamik yang kompleks, atau adakah mereka cukup pandai meneka jawapan yang tepat secara statistik?
Penyelesaian pintar
Kini, sekumpulan saintis membuktikan secara analitis dan menggunakan simulasi komputer, bahawa program pembelajaran mesin yang disebut Empirical Model Reduction (EMR) sebenarnya tahu apa yang sedang dilakukannya. Kajian menunjukkan bahawa program komputer ini mencapai hasil yang setanding dengan penurunan model yang lebih besar dari atas ke bawah kerana pembelajaran mesin membina versi model iklimnya sendiri dalam perisiannya.
"Saya rasa apa yang kita lakukan dalam penyiasatan ini adalah memberikan semacam bukti fizikal mengapa protokol berdasarkan data tertentu ini berfungsi. Dan itu bagi saya cukup bermakna, kerana kaedah ini sudah lama dalam sains atmosfera. Namun masih terdapat banyak jurang dalam memahami metodologi, ”kata Ph.D. pelajar Manuel Santos Gutiérrez.
Mendorong dan berguna
Kajian menunjukkan bahawa kaedah pembelajaran mesin adalah dinamik dan fizikal yang baik dan menghasilkan simulasi yang mantap. Menurut penulis, ini harus mendorong penggunaan lebih lanjut kaedah berdasarkan data dalam sains iklim dan juga sains lain.
"Ini adalah langkah yang sangat menggembirakan. Kerana dalam arti tertentu, ini bermaksud kaedah berdasarkan data adalah pintar. Ia bukan emulator data. Ini adalah model yang menangkap proses dinamik. Ia dapat menyusun semula apa yang ada di sebalik data. Dan itu menunjukkan bahawa turunan teori ini memberi anda objek yang berguna secara algoritma, ”kata Valerio Lucarini, profesor mekanik statistik di University of Reading.
Hasilnya penting dalam pelbagai bidang: matematik terapan, fizik statistik, data sains, sains iklim, dan sains sistem yang kompleks. Dan ini akan mempunyai implikasi dalam berbagai konteks industri, di mana sistem dinamik yang kompleks dipelajari tetapi hanya sebahagian maklumat yang dapat diakses — seperti teknik pesawat terbang, kapal, turbin angin, atau dalam pemodelan lalu lintas, jaringan tenaga, jaringan pengedaran.