Новый инструмент геонаучного моделирования дает более целостные результаты в прогнозах

Исследователи из Университета штата Пенсильвания разработали новую модель дифференцируемого обучения параметрам, которая объединяет традиционные процессно-ориентированные модели с машинным обучением. Модель, опубликованная в журнале Nature Communications, позволяет получать более обобщенные и физически реалистичные решения для широких регионов, таких как целый континент.

Традиционные модели, такие как эволюционные алгоритмы, требуют дорогостоящей вычислительной процедуры оценки параметров для каждой конкретной локации, что не позволяет эффективно масштабировать результаты. Новый метод использует глобальную функцию потерь, агрегируя данные со всех точек одновременно для поиска единого оптимального набора параметров для всей изучаемой области. Это не только повышает согласованность и реалистичность модели, но и резко снижает вычислительные затраты: задача, которая раньше требовала 2–3 дней работы суперкластера из 100 процессоров, теперь решается на одном графическом процессоре за час.

«Наш подход органично связывает процессно-ориентированные модели и машинное обучение на фундаментальном уровне, — поясняет профессор Чаопен Шэнь. — Это позволяет использовать все преимущества машинного обучения, сохраняя при этом физическую интерпретируемость. Чем больше точек данных вовлекается в этот рабочий процесс, тем лучшие результаты получает каждая локация».