Gutiérrrez等人展示了在气候科学中广泛使用的机器学习程序，这些程序建立了对气候系统的真正理解。学分:TiPES/HP根据曼努埃尔·桑托斯·古铁雷斯(Manuel Santos Gutiérrez)和瓦列里奥·卢卡里尼(Valerio Lucarini)在《混沌》杂志上发表的一项研究，机器学习在用于气候科学时，建立了对气候系统的实际理解，他们来自英国雷丁大学、以色列魏茨曼研究所和法国巴黎高等师范学院的迈克尔·吉尔(Michael Ghil)。作者说，这意味着我们可以信任机器学习，并进一步将其应用于气候科学。人还是机器
大型复杂的气候模型通常不切实际，因为它们需要在超级计算机上运行数月。作为替代，气候科学家经常研究简化模型。
一般来说，有两种不同的方法被用来简化气候模型:一种是自上而下的方法，在这种方法中，气候专家估计遗漏的函数会对简化模型中的部分产生什么影响。还有一种自下而上的方法，将气候数据输入机器学习程序，然后由该程序模拟气候系统。
这两种方法结果相当。然而，从物理上理解数据驱动(自下而上)方法以完全信任它们是一个具有挑战性的问题。机器学习程序“理解”它们正在处理一个复杂的动力系统，还是它们只是擅长从统计上猜测正确的答案？
智能解决方案
现在，一组科学家通过分析和计算机模拟证明，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。研究表明，这种计算机程序达到了与大型模型自上而下的简化相当的结果，因为机器学习在其软件中构建了自己版本的气候模型。
“我认为我们在这项调查中所做的是给出某种物理证据，说明为什么这种特定的数据驱动协议有效。这对我来说是非常有意义的，因为这种方法已经在大气科学中应用了很长时间。然而，在对科学方法的理解上仍有相当大的差距，”博士生曼努埃尔·桑托斯·古铁雷斯说。
令人鼓舞和有益的
研究表明，机器学习方法是动态和物理健全的，并产生稳健的模拟。据作者称，这将推动数据驱动方法在气候科学和其他科学中的进一步应用。
“这是非常令人鼓舞的一步。因为在某种意义上，这意味着数据驱动的方法是智能的。它不是数据的模拟器。这是一个捕捉动态过程的模型。它能够识别数据背后隐藏的东西。这表明这些理论推导给了你一个在算法上有用的对象，”雷丁大学统计力学教授瓦列里奥·卢卡里尼说。
结果在一系列领域都很重要:应用数学、统计物理、数据科学、气候科学和复杂系统科学。它将在一系列工业环境中产生影响，在这些环境中，复杂的动力系统被研究，但只有部分信息是可获得的——比如飞机、船舶、风力涡轮机的工程，或者交通建模、能源网、配电网。
这项研究是欧洲地平线2020地球系统临界点项目的一部分。TiPES由丹麦哥本哈根大学管理。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
