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,直接发送到您的收件箱,只需在下面输入您的电子邮件。通过输入您的电子邮件地址,您同意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,互联神经元概念中的连接和核。 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乐动体育 英超

访客作者

访客作者

09.07.21
访客作者

访客作者

2021年9月7日上午8:00
客人的帖子 帖子:人工智能如何快速成为气候科学的关键工具乐动体育 英超

最近的出版物第六个评估报告来自政府间气候变化专门委员会(IPCC)以前所未有的细节总结了当前对气候科学的理解。乐动体育 英超

该报告提供的大量证据包括从陆地、海洋和大气收集的观测数据,以及来自地球的大量模拟数据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.与遵循一组明确和预定义规则的模型不同,机器学习的目标是构建能够基于数据中的模式学习和推断此类规则的系统。

因此,正在出现一种新的气候研究方向,旨在补充和扩展观测和气候模型的使用。总体目标是应对气候研究的持续挑战,并改善对未来的预测。

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。乐动体育 英超

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。”混合动力车能够适应进化和自我确认,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建立在代表驱动地球气候的过程和相互作用的方程式上。其中一些过程可以用基本定律来描述——比如Navier-Stokes方程它能捕捉大气中气体和海洋中水的速度、压力、温度和密度。然而,其他的——例如控制覆盖大面积地表植被的生理过程——则不能,而是需要基于观测的近似。

这些近似-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ESMs取得了巨大的成功,但仍存在一些局限性,例如模型如何很好地捕捉极端事件的严重性和频率,以及突变和引爆点“。

气候研究中的机器学习

机器学习是许多不同工具的总称,其中人工神经网络–一组松散模仿人脑的相互关联的算法–是一个广为人知和使用的例子。

通过“监督学习–使用数据集“训练”算法–这些工具可用于揭示模式和变量之间的复杂关系,允许它们执行特定任务,如分类或分析数据。

例如,可以训练神经网络来识别和分类卫星图像中的模式——如云结构、海洋漩涡或作物质量——以及根据过去的记录、模式输出和物理平衡方程进行天气预报。

与esm相比,机器学习不需要关于问题内部的治理规律和关系的先验知识。各自的关系完全来自于自动学习过程中使用的数据。这个灵活而强大的概念可以扩展到几乎任何层次的复杂性。

观测气候数据和模型模拟的可用性,以及现成的机器学习工具,如TensorFlowKeras–导致了大规模的机器学习研究在地球和气候科学方面。这些研究探索了机器学乐动体育 英超习如何应用于增强甚至取代经典的ESM任务。

尽管有“学习”和“人工智能”这样的说法,但今天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,仅根据与问题相关的数据进行训练,以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,使用乐动体育 英超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乐动体育app苹果j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模型组件或者加速计算需要数值模拟

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
说明了将ESM和机器学习结合起来进行神经地球系统建模的各个阶段。左右分支可视化了当前构建弱耦合杂交(蓝色和黄色)的努力和目标,这些努力和目标向强耦合杂交方向收敛。根据Irgang等人的修改(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,以错误的原因做出正确的预测,可以被称为走了一条“捷径”,或拥有一个“欠确定”的系统描述。在气候科学领域,走捷径的可能性越来越大,因为我们从观测记录中获得的数据很短,而且倾向于近几十年。乐动体育 英超

作为一个社区,我们仍然只是在尝试机器学习的潜在好处,以及了解不可避免的陷阱。已经非常清楚的是,机器学习可以给我们提供看似正确的答案,但原因却是完全错误的。

人工智能专注于构建直观可解释的模型,而XAI则用于回顾性评估神经网络做出预测的原因。IAI和XAI都可以对ESM中的任何机器学习应用程序进行“完整性检查”,看看它是否学习了任何物理内容。这一点很重要,因为根据定义,任何评估未来气候的应用程序都是在样本外空间运行的,在样本外空间,核心物理定律不会改变,但系统表达它们的方式可能会改变。

机器学习的方法发展非常迅速,IAI和XAI也不例外。其他似乎有潜力的方法是敌对的学习(旨在用误导性输入愚弄机器学习系统)以及“少射”法(旨在通过少量数据有效地训练机器学习系统)和更侧重于学习基本方程的总体方法。

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乐动体育 英超内政部: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乐动体育 英超

简报

专家分析直接到乐动体育app苹果j您的收件箱。

每日或每周通过电子邮件收集碳简报选择的所有重要文章和论文。通过输入您的电子邮件地址,您同意按照我们的要求处理您的数据乐动体育下载app隐私政策

简报

专家分析直接到乐动体育app苹果j您的收件箱。

每日或每周通过电子邮件收集碳简报选择的所有重要文章和论文。通过输入您的电子邮件地址,您同意按照我们的要求处理您的数据乐动体育下载app隐私政策