帖子:人工智能正迅速成为一个关键的气候科学的工具biwei6868

最近出版的第六个评估报告从政府间气候变化专门委员会(IPCC)总结当前气候科学的理解以前所未有的细节。biwei6868

广泛的证据在收集的报告包括观察来自土地,海洋和大气,以及大量的模拟最新一代的气候模型。

然而,近年来,气候科学家能使用的另一个工具感谢迅速发展的人工智能(AI)和的发展,特别是机器学习。对比模型,遵循一套明确的和预定义的规则,机器学习的目的是对构建系统,可以学习,并推断这些规则基于数据中的模式。

因此,气候研究的一个新行是新兴,旨在补充和扩展观测和气候模型的使用。的总体目标是应对持续挑战气候研究,提高对未来的预测。

在我们的角度,发表在《华尔街日报》自然机器智能,我们评估目前的气候模型的局限性和最新进展在地球系统科学和机器学习方法。biwei6868

我们提出一个方法,机器学习和气候模型不习惯作为单独的工具,而是作为连接”混合动力车“能够自适应的进化和self-validation,同时仍然能够被人类。

地球系统模型

气候模型不断改进近几十年来。最近的事态发展已经看到的生物地球化学循环——化学生物与其环境之间的转移——以及他们如何与气候系统交互。像他们的前辈一样,这些“地球系统模型”(esm)用于根据不同场景项目未来气候的温室气体的排放。

虽然添加新的过程和更详细的导致更复杂的模拟地球的气候,为代价的越来越大,越来越复杂的模型。

esm是建立在方程表示驱动地球气候的流程和交互。这些过程可以由基本定律——比如描述n - s方程捕获的流体运动速度、压力、温度和密度的气体在大气和海洋的水。然而,其他人,比如生理过程管理的植被覆盖绝大部分地表——不能,而是需要基于观察的近似。

这些近似,以及其他限制,地球系统的复杂性,引入不确定性的气候模型的表示。

因此,尽管esm的巨大成功,仍有一些局限性,如模型如何捕获极端事件的严重程度和频率,突然变化,“引爆点”。

气候研究机器学习

机器学习是一个包罗万象的术语对许多不同的工具,其中人工神经网络——一组相互关联的算法模拟松散在人类的大脑是一个众所周知的和使用的例子。

通过“监督式学习”——使用数据集训练算法——这些工具可以用来发现模式和复杂的变量之间的关系,使他们能够执行特定任务,如分类或分析数据。

例如,可以训练一个神经网络来识别和分类模式在卫星图像,比如云结构、海洋漩涡或作物质量,以及根据过去的记录,执行一个天气预报模型输出和身体平衡方程。

机器学习与esm相比,不需要先验知识的管理法律和关系问题。各自的关系是完全来自一个自动学习过程中使用的数据。这个灵活且强大的概念可以扩展到任何程度的复杂性。

观察到的气候数据的可用性和模型模拟结合现成的机器学习工具,比如TensorFlow和Keras——已经导致爆炸机器学习的研究在地球和气候科学。biwei6868这些探讨如何应用机器学习来提高,甚至取代古典ESM的任务。

尽管文字如“学习”和“人工智能”,今天的机器学习应用在这个领域还远没有聪明和缺乏实际过程的知识。更准确地说,他们是高度专业化的训练算法,解决特定问题完全基于数据提出的相关问题。

因此,机器学习通常被认为是一个黑盒子,很难收集见解。同样的,它往往是很难验证机器学习物理方面的一致性,即使他们生成的输出似乎是合理的。

今天的许多机器学习应用程序对气候科学概念验证研究工作在一个简化的环境中——例如,一个biwei6868空间分辨率在最先进的远低于esm或使用更少的物理变量。因此,如何还有待观察机器学习可以扩大业务和可靠的使用。

对神经地球系统模型

最初,在气候研究机器学习是主要用于自动化分析地球观测的模式和关系。然而,最近,它已经越来越多的针对esm——例如,接管或纠正特定的模型组件或通过加速计算要求数值模拟。

这种发展导致了esm和机器学习的“杂交”的概念,旨在结合各自的方法论的优点,同时最小化他们的局限性。例如,混合动力概念已经探索了分析水文大陆。

继续这条线的研究将日益融合,这家仍然严格基于过程的模型和机器学习方法。

以类似的方式如何”耦合“气候模型链接地球系统的不同部分,如海洋和大气-新接口将建立一个动态esm之间的信息交换和机器学习工具。这种双向交流允许基于流程的模型来提高他们的物理一致性和,反过来,反馈知识到机器学习组件,允许整个混合动力系统不断的发展。

这种混合动力系统总结的可能变异的术语——我们已经创造了“神经地球系统模型”。这是如下图所示,它显示了阶段的esm(蓝色阴影)和机器学习(黄色)可以聚在一起。

我们还列出一组特征和目标神经地球系统模型:

1. 混合动力车确保物理一致性——例如,守恒定律和其他平衡方程;
2. 混合动力车可以更好的再现和预测out-of-distribution样本,如极端事件;
3. 混合动力车可以纠正,改善自己和验证;
4. 地球神经系统模型允许可复制性和可解释性。

可辩解的,可判断的

当我们努力改善esm,这是很危险的,一切开始看起来像一个钉子出现新的机器学习锤。在这里,方法称为“可判断的AI”(IAI)和“可辩解的AI”(新品)来玩。

在机器学习,做出正确的预测错误的原因可以被称为“快捷方式”,或有一个系统描述“欠定的”。采取捷径是越来越有可能在气候科学,因为我们从观测记录的数据是短而偏向最近几十年。biwei6868

作为一个社区,我们仍然只有机器学习的潜在好处我们的小试牛刀,以及学习不可避免的陷阱。已经十分清楚的是,机器学习可以给我们答案看起来正确的原因完全是错误的。

AI关注建筑模型,直观地解释的,而新品用于回顾性评估为什么神经网络预测那样。IAI公司和新品借给自己给任何机器学习应用程序在一个ESM一个“检查”是否物理中学到了什么。这很重要,因为——根据定义任何应用程序来评估未来气候运行在一个样本外空间,核心物理定律不会改变,但系统表达他们可能的方式。

在机器学习方法发展很快,IAI和新品不例外。其他的似乎有潜力的方法敌对的学习(旨在傻瓜机器学习系统与误导的输入)“few-shot”方法(旨在有效地训练机器学习系统,只有少量的数据)和整体的方法多针对学习基本方程。

在社区周围的esm探索新的机器学习工具和强大的潜力,它无疑会加速进展,如果不同的工具被认为是这样,每一可能适合不同的任务。然而,确保机器学习的预测符合已知的物理或机制相当于esm渴望成为建筑所需的工具。