แมชชีนเลิร์นนิงเมื่อใช้ในวิทยาศาสตร์ภูมิอากาศจะสร้างความเข้าใจที่แท้จริงของระบบภูมิอากาศ ซึ่งหมายความว่าเราสามารถไว้วางใจแมชชีนเลิร์นนิงและนำไปประยุกต์ใช้ในวิทยาศาสตร์ภูมิอากาศได้ ผู้เขียนกล่าว
คนหรือเครื่องจักร
แบบจำลองสภาพภูมิอากาศขนาดใหญ่และซับซ้อนมักใช้งานไม่ได้เนื่องจากต้องใช้ซูเปอร์คอมพิวเตอร์เป็นเวลาหลายเดือน นักวิทยาศาสตร์ภูมิอากาศมักจะศึกษาแบบจำลองอย่างง่ายแทน
โดยทั่วไป มีการใช้วิธีการที่แตกต่างกันสองวิธีเพื่อทำให้แบบจำลองสภาพภูมิอากาศง่ายขึ้น: วิธีการจากบนลงล่างซึ่งผู้เชี่ยวชาญด้านสภาพอากาศประเมินว่าฟังก์ชันที่เหลือจะส่งผลกระทบต่อชิ้นส่วนที่เก็บไว้ในแบบจำลองที่ลดลงอย่างไร และวิธีการจากล่างขึ้นบน โดยที่ข้อมูลสภาพอากาศถูกป้อนด้วยโปรแกรมการเรียนรู้ของเครื่อง ซึ่งจะจำลองระบบสภาพอากาศ
ทั้งสองวิธีให้ผลลัพธ์ที่เปรียบเทียบกันได้ อย่างไรก็ตาม เป็นปัญหาที่ท้าทายในการทำความเข้าใจวิธีการที่ขับเคลื่อนด้วยข้อมูล (จากล่างขึ้นบน) ทางกายภาพเพื่อให้ไว้วางใจได้อย่างเต็มที่ โปรแกรมแมชชีนเลิร์นนิง 'เข้าใจ' หรือไม่ว่าพวกเขากำลังจัดการกับระบบไดนามิกที่ซับซ้อน หรือเพียงแค่เดาคำตอบที่ถูกต้องทางสถิติได้ดี
โซลูชันอัจฉริยะ
ตอนนี้ กลุ่มนักวิทยาศาสตร์ได้พิสูจน์การวิเคราะห์และใช้การจำลองด้วยคอมพิวเตอร์ว่าโปรแกรมการเรียนรู้ของเครื่องที่เรียกว่า Empirical Model Reduction (EMR) อันที่จริงรู้ว่ากำลังทำอะไรอยู่ การศึกษาแสดงให้เห็นว่าโปรแกรมคอมพิวเตอร์นี้ให้ผลลัพธ์ที่เทียบเท่ากับการลดลงจากบนลงล่างของโมเดลที่ใหญ่กว่า เนื่องจากแมชชีนเลิร์นนิงสร้างแบบจำลองสภาพอากาศในเวอร์ชันของตัวเองในซอฟต์แวร์
“ฉันคิดว่าสิ่งที่เราทำในการตรวจสอบนี้เป็นหลักฐานทางกายภาพที่ว่าทำไมโปรโตคอลที่ขับเคลื่อนด้วยข้อมูลโดยเฉพาะจึงใช้งานได้ และนั่นก็มีความหมายสำหรับฉันมาก เพราะวิธีการนี้อยู่ในศาสตร์แห่งบรรยากาศมาเป็นเวลานาน แต่ก็ยังมีช่องว่างค่อนข้างมากในการทำความเข้าใจเกี่ยวกับวิธีการ” Ph.D. กล่าว นักเรียน Manuel Santos Gutiérrez
เป็นกำลังใจและมีประโยชน์
การศึกษาระบุว่าวิธีการเรียนรู้ด้วยเครื่องมีเสียงแบบไดนามิกและทางกายภาพ และสร้างแบบจำลองที่มีประสิทธิภาพ ผู้เขียนกล่าวว่าสิ่งนี้ควรกระตุ้นให้ใช้วิธีการที่ขับเคลื่อนด้วยข้อมูลต่อไปในวิทยาศาสตร์ภูมิอากาศและวิทยาศาสตร์อื่น ๆ
“มันเป็นขั้นตอนที่ให้กำลังใจอย่างมาก เพราะในบางแง่ มันหมายความว่าวิธีที่ขับเคลื่อนด้วยข้อมูลนั้นฉลาด ไม่ใช่โปรแกรมจำลองข้อมูล เป็นแบบจำลองที่จับกระบวนการแบบไดนามิก สามารถสร้างสิ่งที่อยู่เบื้องหลังข้อมูลขึ้นใหม่ได้ และนั่นบ่งชี้ว่าที่มาของทฤษฎีเหล่านี้ให้วัตถุที่เป็นประโยชน์ต่ออัลกอริทึม” วาเลริโอ ลูคารินี ศาสตราจารย์ด้านกลศาสตร์สถิติแห่งมหาวิทยาลัยเรดดิ้งกล่าว
ผลลัพธ์มีความสำคัญในสาขาวิชาต่างๆ: คณิตศาสตร์ประยุกต์ ฟิสิกส์สถิติ ข้อมูล วิทยาศาสตร์ วิทยาศาสตร์ภูมิอากาศ และวิทยาศาสตร์ระบบที่ซับซ้อน และจะมีความหมายในบริบททางอุตสาหกรรมที่หลากหลาย ซึ่งมีการศึกษาระบบที่ซับซ้อนและเป็นพลวัต แต่เข้าถึงได้เพียงข้อมูลบางส่วนเท่านั้น เช่น วิศวกรรมเครื่องบิน เรือ กังหันลม หรือในการสร้างแบบจำลองการจราจร กริดพลังงาน เครือข่ายการกระจาย