1 ژوئن 2021 توسط دانشگاه کپنهاگ
بر اساس مطالعه‌ای که در مجله Chaos توسط مانوئل سانتوس گوتیرز و والریو لوکارینی، دانشگاه ریدینگ، بریتانیا، میکل چکرون، موسسه وایزمن، اسرائیل و مایکل منتشر شد، یادگیری ماشینی وقتی در علم آب و هوا مورد استفاده قرار می گیرد، درک واقعی از سیستم اقلیمی را ایجاد می کند. نویسندگان می‌گویند، این بدان معناست که می‌توانیم به یادگیری ماشینی و کاربردهای آن در علوم اقلیمی اعتماد کنیم.
در مدل‌های بزرگ و پیچیده آب و هوایی معمولاً کار با آنها غیر عملی بوده زیرا لازم است ماه‌ها روی ابررایانه‌ها اجرا شوند. به عنوان یک گزینه، دانشمندان اقلیمی اغلب مدل‌های ساده را مطالعه می‌کنند.
به طور کلی، برای ساده سازی مدل‌های آب و هوایی از دو روش مختلف استفاده می‌شود: یک رویکرد از بالا به پایین که متخصصان اقلیم تخمین می‌زنند چه تأثیری از عملکردهای کنار گذاشته شده بر روی بخش‌های نگهداری‌شده در مدل کاهش یافته خواهد داشت و یک رویکرد از پایین به بالا، جایی که داده‌های آب و هوایی با یک برنامه یادگیری ماشینی تغذیه می‌شوند و سپس سیستم آب و هوا را شبیه سازی می‌کند.
نتایج حاصل از این دو روش قابل مقایسه است. با این حال، درک فیزیکی رویکردهای داده محور (از پایین به بالا) برای اعتماد کامل به آنها، یک مشکل چالش برانگیز است. آیا برنامه‌های یادگیری ماشینی می فهمند که آنها با یک سیستم دینامیکی پیچیده سر و کار دارند، یا آیا آنها به راحتی از نظر آماری پاسخ درست را حدس می‌زنند؟
راه حل هوشمند
اکنون، گروهی از دانشمندان با استفاده از شبیه سازی رایانه‌ای، تحلیل و اثبات می‌کنند که یک برنامه یادگیری ماشینی به نام کاهش مدل تجربی (EMR) در واقع می‌داند چه کاری انجام می‌دهد. این مطالعه نشان می‌دهد که این برنامه رایانه‌ای نتایج قابل مقایسه‌ای با کاهش از بالا به پایین مدل‌های بزرگتر دارد زیرا یادگیری ماشینی نسخه خود را از یک مدل آب و هوا در نرم افزار خود ایجاد می‌کند.
دانشجوی دکترا، مانوئل سانتوس گوتیرز می‌گوبد:
«من فکر می‌کنم آن‌چه که ما در این تحقیق انجام می‌دهیم ارائه نوعی شواهد فیزیکی از دلیل عملکرد این پروتکل خاص داده محور است و این برای من کاملاً معنی دار است، زیرا این روش مدت‌هاست که در علوم جوی وجود دارد. در درک روش شناسی هنوز خلا وجود داشت.»
دلگرم کننده و مفید
این مطالعه نشان می‌دهد که روش یادگیری ماشینی به صورتی پویا و فیزیکی مناسب بوده و شبیه‌سازی‌های مستحکمی ایجاد می‌کند. به گفته نویسندگان، این امر باید انگیزه استفاده بیشتر از روش‌های داده محور در علوم اقلیمی و همچنین سایر علوم باشد.
والریو لوکارینی، استاد مکانیک آماری در دانشگاه ردینگ می‌گوید:
«این یک گام بسیار دلگرم کننده است. زیرا به تعبیری، این بدان معناست که روش داده محور هوشمند است. این یک شبیه ساز داده نیست. این یک مدل است که فرایندهای دینامیکی را ذخیره می‌کند و قادر است آن‌چه را که در پشت داده‌ها وجود دارند بکار گیرد و این نشان می‌دهد که این استنتاج‌های نظری به شما ابژه‌ای می دهد که از نظر الگوریتمی مفید است.»
نتیجه در طیف وسیعی از زمینه‌ها اعم از ریاضیات کاربردی، فیزیک آماری، علوم داده، علوم اقلیمی و علوم پیچیده سیستم مهم است. این در طیف وسیعی از زمینه‌های صنعتی، جایی که سیستم‌های پیچیده و دینامیکی مورد مطالعه قرار می‌گیرند، اما فقط اطلاعات جزئی قابل دسترسی است، مانند مهندسی هواپیماها، کشتی‌ها، توربین‌های بادی یا مدل سازی ترافیک، شبکه‌های انرژی، شبکه‌های توزیع، پیامدهایی خواهد داشت.
این مطالعه بخشی از پروژه European Horizon 2020 TiPES در مورد نقاط اوج در سیستم زمین است. TiPES توسط دانشگاه کپنهاگ دانمارک اداره می‌شود.
