O aprendizado de máquina, quando usado na ciência do clima, constrói uma compreensão real do sistema climático. Isso significa que podemos confiar no aprendizado de máquina e promover suas aplicações na ciência do clima, dizem os autores.
Homem ou máquina
Modelos climáticos grandes e complexos geralmente são impraticáveis de se trabalhar, pois precisam ser executados por meses em supercomputadores. Como alternativa, os cientistas do clima costumam estudar modelos simplificados.
Geralmente, duas abordagens diferentes são usadas para simplificar os modelos climáticos: Uma abordagem de cima para baixo em que os especialistas em clima estimam o impacto que as funções deixadas de fora terão nas partes mantidas no modelo reduzido. E uma abordagem ascendente, em que os dados climáticos são alimentados por um programa de aprendizado de máquina, que simula o sistema climático.
Os dois métodos produzem resultados comparáveis. No entanto, é um problema desafiador entender fisicamente as abordagens baseadas em dados (de baixo para cima) para confiar nelas totalmente. Os programas de aprendizado de máquina "entendem" que estão lidando com um sistema dinâmico complexo ou são simplesmente bons em adivinhar estatisticamente as respostas certas?
Solução inteligente
Agora, um grupo de cientistas prova analiticamente e usando simulações de computador, que um programa de aprendizado de máquina chamado Redução do Modelo Empírico (EMR) de fato sabe o que está fazendo. O estudo mostra que este programa de computador atinge resultados comparáveis às reduções de cima para baixo de modelos maiores porque o aprendizado de máquina constrói sua própria versão de um modelo climático em seu software.
“Acho que o que fazemos nesta investigação é fornecer algum tipo de evidência física de por que esse protocolo baseado em dados em particular funciona. E isso para mim é bastante significativo, porque o método está nas ciências atmosféricas há muito tempo. No entanto, ainda havia muitas lacunas no entendimento das metodologias ”, diz o Ph.D. aluno Manuel Santos Gutiérrez.
Encorajador e útil
O estudo indica que o método de aprendizado de máquina é dinâmico e fisicamente sólido e produz simulações robustas. De acordo com os autores, isso deve motivar o uso futuro de métodos baseados em dados na ciência do clima, bem como em outras ciências.
“É um passo muito encorajador. Porque, em certo sentido, isso significa que o método baseado em dados é inteligente. Não é um emulador de dados. É um modelo que captura os processos dinâmicos. É capaz de reconstruir o que está por trás dos dados. E isso indica que essas derivações teóricas dão a você um objeto que é algoritmicamente útil ”, diz Valerio Lucarini, professor de mecânica estatística da Universidade de Reading.
O resultado é importante em uma variedade de campos: matemática aplicada, física estatística, dados, ciência, ciência do clima e ciência do sistema complexo. E terá implicações em uma variedade de contextos industriais, onde sistemas complexos e dinâmicos são estudados, mas apenas informações parciais são acessíveis - como a engenharia de aviões, navios, turbinas eólicas ou em modelagem de tráfego, redes de energia, redes de distribuição.