气候科学人工智能建立了对气候系统的真正理解
2021年6月2日
一项新的NBA投注[手机]俱乐部研究表明，在气候科学中广泛使用的人工智能程序建立了对气候系统的实际理解，这意味着我们可以信任机器学习并进一步推动其在气候科学中的应用。
大型、复杂的气候模型通常是不切实际的，因为它们需要在超级计算机上运行数月。作为替代方案，气候科学家经常NBA投注[手机]俱乐部研究简化模型。
一般来说，有两种不同的方法用于简化气候模型：一种是自上而下的方法，由气候专家估计被遗漏的函数对简化模型中保留的部分的影响。还有一种自下而上的方法，将气候数据输入机器学习程序，然后模拟气候系统。
这两种方法得出了可比较的结果。然而，从物理上理解数据驱动（自底向上）方法并完全信任它们是一个具有挑战性的问题。机器学习程序是否“理解”它们正在处理一个复杂的动态系统，或者它们只是擅长从统计上猜测正确的答案？
智能解决方案
英国雷丁大学的Manuel Santos gutisamuresz和Valerio Lucarini，以色列魏茨曼NBA投注[手机]俱乐部研究所的Chekroun和法国巴黎高等师范学院的Michael Ghil在《混沌》杂志上发表的一项新NBA投注[手机]俱乐部研究表明，通过计算机模拟，一个名为经验模型简化（EMR）的机器学习程序实际上知道它在做什么。
该NBA投注[手机]俱乐部研究表明，由于机器学习在其软件中构建了自己版本的气候模型，因此该计算机程序达到了与大型模型自上而下的缩减相当的结果。
雷丁大学的博士生曼努埃尔·桑托斯·古蒂萨梅雷斯说：“我认为我们在这项nba投注中所做的是给出某种物理证据，说明为什么这种特殊的数据驱动协议有效。”这对我来说很有意义，因为这种方法在大气科学中已经存在很长时间了。然而，在对方法的理解上仍有相当多的差距。”
鼓舞人心和有用的
NBA投注[手机]俱乐部研究表明，机器学习方法是动态和物理健全的，并产生鲁棒模拟。这组作者说，这应该激励在气候科学以及其他科学中进一步使用数据驱动的方法。
雷丁大学统计力学教授瓦莱里奥·卢卡里尼说：“这是非常鼓舞人心的一步。因为在某种意义上，这意味着数据驱动的方法是智能的。它不是数据模拟器。它是一个捕捉动态过程的模型。它能够重建数据背后的东西。这表明这些理论推导为你提供了一个在算法上有用的对象。”
该结果在应用数学、统计物理、数据科学、气候科学和复杂系统科学等领域都很重要。它将在一系列工业环境中产生影响，在这些环境中，复杂的动态系统被NBA投注[手机]俱乐部研究，但只有部分信息是可访问的——比如飞机、船舶、风力涡轮机的工程，或者交通建模、能源电网、配电网络。
这项NBA投注[手机]俱乐部研究是欧洲地平线nba投注 TiPES项目关于地球系统临界点的一部分。TiPES由丹麦哥本哈根大学管理。
全部参考:
M. Santos， V. Lucarini， M. d.c hekroun， M. Ghil，“耦合动力系统的降阶模型：数据驱动方法和Koopman算子”，非线性科学学报31,053116 (2021)https://doi.org/10.1063/5.0039496
图片来源：TiPES/HP