Искусственный интеллект поможет наукам о системе Земли

Исследование немецких учёных из Йены и Гамбурга, опубликованное в журнале Nature, демонстрирует, что искусственный интеллект (ИИ) может существенно улучшить наше понимание климата и системы Земли. Особенно потенциал глубокого обучения пока использован лишь частично. Сложные динамические процессы, такие как ураганы, распространение пожаров и динамика растительности, можно лучше описать с помощью ИИ. Это позволит усовершенствовать климатические и модельные системы Земли, создав новые гибридные модели, сочетающие искусственный интеллект и физическое моделирование.

До сих пор методы машинного обучения в основном применялись для изучения статических характеристик, например, распределения свойств почв. Более совершенные методы глубокого обучения теперь позволяют анализировать динамические процессы, такие как глобальный фотосинтез на суше с учётом сезонных и краткосрочных вариаций.

«От множества сенсоров поступает огромный поток данных о системе Земли, но мы отстаём в их анализе и интерпретации», — поясняет первый автор работы Маркус Райхштайн. Именно здесь методы глубокого обучения становятся перспективным инструментом. Их можно применять для моделирования экстремальных событий (пожары, ураганы), атмосферного и океанического переноса, динамики почв и растительности.

Однако подходы на основе глубокого обучения сопряжены с трудностями. Они не гарантируют физической состоятельности per se, сильно зависят от качества данных и могут плохо экстраполироваться, а также требуют больших вычислительных мощностей. В публикации обсуждаются эти препятствия и предлагается стратегия эффективного объединения машинного обучения с физическим моделированием. Такие гибридные модели, например, могут физически моделировать температуру поверхности моря, в то время как движение океанских вод описывается с помощью машинного обучения. «Идея в том, чтобы объединить лучшее из двух миров», — объясняет Маркус Райхштайн.

По мнению учёных, обнаружение и раннее предупреждение экстремальных явлений, а также сезонные и долгосрочные прогнозы погоды и климата значительно выиграют от подходов глубокого обучения и гибридного моделирования.