菜单

社会渠道

搜索存档


其他选项
话题

日期范围

收到每日或每周最重要文章的摘要直接到你的收件箱,只需在下面输入你的电子邮件。通过输入您的电子邮件地址,您同意您的数据将按照我们的隐私政策

互联神经元概念中的人工智能、连接和核
人工智能,连接和核的概念相互连接的神经元。 信誉:Kiyoshi Takahase Segundo / Alamy股票照片。
来宾职位
2021年9月7日8:00

帖子:人工智能如何快速成为气候科学的关键工具biwei6868

访客作者

访客作者

09.07.21
访客作者

访客作者

07.09.2021 |上午8:00
客人帖子 帖子:人工智能如何快速成为气候科学的关键工具biwei6868

最近的出版物第六次评估报告来自政府间气候变化专门委员会(IPCC)总结了目前对前所未有的细节的气候科学的认识。biwei6868

进入该报告的广泛证据包括从跨土地,海洋和大气中收集的观察,以及许多模拟最新一代属于气候模型

然而,近年来,由于人工智能发展(AI)的快速进展,气候科学家对他们提供了另一种工具,特别是机器学习。与遵循一组显式和预定义规则的模型相比,机器学习旨在构建可以基于数据模式学习和推断这些规则的系统。

因此,新的气候研究系列正在出现旨在补充和扩展使用观察和气候模型的贡献。总体目标是解决气候研究的持续挑战,并改善未来预测。

在《透视》杂志上发表的论文中自然机器智能,我们评估了地球系统科学气候模型和机器学习方法的最新限制和最近的进展。biwei6868

我们提出了一种方法,即机器学习和气候模型不作为单独的工具使用,而是作为相互关联的工具使用。”杂交种“能够自适应演化和自我验证,同时仍然能够被人类解释。

地球系统模型

气候模型已经看到持续改进近几十年来。最新的发展已经看到了生物地球化学循环的纳入 - 生物与环境之间的化学品转移 - 以及如何与气候系统互动。像他们的前辈一样,这些“地球系统模型“(ESMS)用于根据温室气体排放的不同情景来实施未来的气候。

但是,虽然增加了新的过程和更详细的细节,导致了对地球气候的更复杂的模拟,但这是以成本为代价的越来越大和复杂的模型

esm是建立在方程式上的,方程式代表了驱动地球气候的过程和相互作用。其中一些过程可以用基本定律来描述,例如Navier-Stokes方程流体运动,捕获大气中气体的速度,压力,温度和密度和海洋中的水。然而,其他 - 例如治疗植被的生理过程,涵盖覆盖土地表面的大部分地面 - 不能并改为基于观察结果的近似。

这些近似值 - 以及其他限制这源于地球系统的纯粹复杂性 - 将不确定性引入了模型的气候代表性。

因此,尽管esm取得了巨大的成功,但仍然存在一些局限性——例如模型如何很好地捕捉极端事件的严重性和频率,以及突变和“划线点“。

气候研究的机器学习

机器学习是许多不同工具的总统术语,其中人工神经网络——一组松散地以人脑为模型的相互关联的算法——是一个广为人知并被广泛使用的例子。

通过“监督学习——它使用数据集“训练”算法——这些工具可以用来揭示模式和变量之间的复杂关系,使它们能够执行特定的任务,如对数据进行分类或分析。

例如,可以培训一个神经网络,以识别和分类卫星图像中的模式 - 例如云结构,海洋漩涡或作物质量 - 以及基于过去的记录,模型输出和物理平衡方程来执行天气预报。

与ESM相比,机器学习不需要关于管理法律和关系的先验知识。各个关系完全来自自动学习过程中使用的数据。这种灵活和强大的概念可以扩展到几乎任何级别的复杂性。

观测到的气候数据和模型模拟的可用性与随时可用的机器学习工具——例如纹身流凯拉斯–导致了大规模的机器学习研究在地球和气候科学中biwei6868这些研究探索了如何应用机器学习来增强甚至取代经典的ESM任务。

尽管有“学习”和“人工智能”这样的词,但今天的机器学习在这一领域的应用还远远不够智能,缺乏实际的过程知识。更准确地说,它们是高度专业化的算法,仅仅基于与问题相关的呈现数据来解决非常具体的问题。

因此,机器学习通常被认为是一个黑箱,很难从中收集见解。类似地,从物理一致性的角度验证机器学习通常非常困难,即使它们生成的输出看起来似乎是合理的。

当今许多气候科学的机器学习应用程序都是在简化环境中工作的概念验证研究——例如,使用biwei6868空间分辨率远低于最先进的ESM或缩小数量的物理变量。因此,它仍然可以看到机器学习如何扩大到操作和可靠的使用情况。

神经地球系统建模

最初,气候研究中的机器学习主要用于自动化分析地球观测中的模式和关系。然而,最近,它越来越多地针对ESM——例如接管或纠正特定的模型组件或者加速计算苛刻的数值模拟

这一发展导致了ESMs和机器学习的“混合”概念,其目的是结合各自的方法优势,同时最大限度地减少其局限性。例如,混合概念已经探索了多年分析大陆水文学

继续这一研究将越来越多地融合基于过程的模型和机器学习方法之间至今仍然严格的界限。

以类似的方式“耦合“气候模型链接地球系统的不同部位 - 例如海洋和大气 - 新的接口将建立ESMS和机器学习工具之间的信息交流。这种双向交换允许基于过程的模型来提高其物理一致性,然后反馈到机器学习组件的反馈知识,允许整个混合系统连续地发展。

这些混合系统的可能变体概述了我们已经创作的“神经地球系统建模”。这在下图中示出,显示了ESMS(蓝色着色)和机器学习(黄色)的阶段可以一起实现。

将ESMs和机器学习结合起来进行神经地球系统建模的阶段
将ESMs和机器学习结合在一起进行神经地球系统建模的阶段说明。左边和右边的分支显示了构建弱耦合混合动力车(蓝色和黄色)的当前努力和目标,这些弱耦合混合动力车将向强耦合混合动力车靠拢。修改于Irrgang et al. (2021).

我们还概述了神经地球系统建模的一系列特征和目标:

  1. 确保物理一致性——例如,守恒定律和其他平衡方程;
  2. 杂种能够更好地复制和预测分布外的样本,如极端事件;
  3. 杂交种能够自我纠正、改进和验证;
  4. 神经地球系统建模允许可复制性和可解释性。

可解释的和可解释的

当我们试图改进ESMs时,有一种危险,那就是一切都开始像钉子一样被新的机器学习锤击中。在这里,被称为“可解释AI”(IAI)和“可解释AI”(XAI)的方法正在发挥作用。

在机器学习中,对错误原因进行正确的预测可以被称为“快捷方式”,或者具有“已被下一定”的系统描述。在气候科学中,越来越可能在气候科学中越来越多地,因为我们来自观察记录的数据很短,偏向于近几十年。biwei6868

作为一个社区,我们仍然只将我们的脚趾浸入机器学习的潜在好处,以及了解不可避免的陷阱。大量清楚的是,机器学习可以给我们答案似乎是正确的,因为完全是错误的原因。

AI专注于直观解释的建筑模型,而Xai用于回顾性评估为什么神经网络使其成为预测。Iai和Xai俩都借给任何机器学习应用程序在ESM中的“Sanity-Check”中,看看它是否学到了任何物理。这是重要的,如 - 根据定义 - 任何评估未来气候的任何应用程序在一个采样的空间中运行,那里核心物理法不会改变,但系统表达的方式可能会。

机器学习中的方法非常快速地发展,IAI和XAI也不例外。似乎有潜力的其他方法是对抗学习(旨在用误导性输入愚弄机器学习系统)以及“少射”法(旨在用少量数据有效地训练机器学习系统)和整体方法,更多地针对学习基础方程。

虽然围绕ESMS的社区探讨了新的机器学习工具和它们内部的强大潜力,但如果不同的工具被识别出来,则无疑会加速进展 - 每个都可以适用于不同的任务。然而,确保机器学习预测遵守已知的物理或机制是不同意的,以建立ESMS渴望的所需工具。

Irrgang,C.等。(2021)通过整合地球系统科学中的人工智能,自然机器智能,实现神经地球系统建模biwei6868内政部:10.1038/s42256-021-00374-3

分享这个故事的内容
  • 帖子:人工智能如何快速成为气候科学的关键工具biwei6868

简报

专家分析直接到您的收件箱。

通过电子邮件获取由Carbon Brief选择的所有重要文章和论文的每日或每周综述。必威手机官网通过输入您的电子邮件地址,您同意您的数据将按照我们的隐私政策

简报

专家分析直接到您的收件箱。

通过电子邮件获取由Carbon Brief选择的所有重要文章和论文的每日或每周综述。必威手机官网通过输入您的电子邮件地址,您同意您的数据将按照我们的隐私政策