Баланс ИИ и физики: на пути к обучаемой климатической модели

Искусственный интеллект (ИИ) вносит заметные изменения в атмосферные науки, особенно с появлением крупных ИИ-моделей для прогноза погоды, таких как Pangu-Weather и GraphCast. Однако наряду с этими достижениями возникают вопросы о соответствии этих моделей фундаментальным физическим принципам.

Качественный анализ показал, что Pangu-Weather может точно воспроизводить определенные климатические паттерны, такие как тропические отклики Гила и внетропические телекоммуникации. Однако количественные исследования выявили значительные расхождения в компонентах ветра, таких как дивергентный и возрастострофический ветер, в текущих ИИ-моделях. Это подчеркивает необходимость всесторонней динамической диагностики таких моделей для наложения необходимых физических ограничений.

«С одной стороны, качественная оценка показывает, что ИИ-модели могут понимать и изучать пространственные паттерны в погодных и климатических данных. С другой стороны, количественный подход выявляет ограничение: текущие ИИ-модели с трудом изучают определенные паттерны ветра и полагаются исключительно на общую скорость ветра», — объясняет профессор Ган Хуан из Института физики атмосферы (ИФА) Китайской академии наук.

Исследователи, включая коллабораторов из ИФА, Сеульского национального университета и Университета Тунцзи, выступают за совместный подход ИИ и физики в климатическом моделировании. В своей статье, опубликованной в Advances in Atmospheric Sciences, они иллюстрируют методы наложения как мягких, так и жестких физических ограничений на ИИ-модели для обеспечения соответствия известной атмосферной динамике. Команда также выступает за переход от офлайн- к онлайн-схемам параметризации для достижения глобальной оптимальности весов модели, что способствует созданию полностью связанных сбалансированных климатических моделей «физика-ИИ».