Возможности и пределы ИИ в климатическом моделировании

Международная команда под руководством Кристофера Иррганга из Центра геологических исследований Потсдама (GFZ) исследовала, как методы искусственного интеллекта (ИИ) могут помочь улучшить прогнозы земной системы и где лежат пределы классического и ИИ-подходов. В своей статье-перспективе для журнала Nature Machine Intelligence они предложили ключевую идею: объединить оба подхода в самообучающееся «нейромоделирование земной системы».

Классические модели земной системы (Earth system models, ESMs), основанные на физических законах, достигли значительного прогресса в детализации и точности, что продемонстрировано, например, в Шестом оценочном докладе IPCC. Однако их сложность требует огромных вычислительных ресурсов, а прогнозы всё ещё содержат неопределённости, особенно в отношении экстремальных событий и «переломных элементов» климатической системы. В то же время методы машинного обучения (ML), такие как нейронные сети, обладают гибкостью и способностью обучаться на больших массивах данных без явного знания физических законов, что открывает новые возможности для анализа.

«Хотя первые исследования показали, что концепции машинного обучения можно использовать для анализа изображений уже в начале 1990-х, "кембрийский взрыв" ИИ в науках о Земле и климате происходит только последние пять лет», — отмечает Кристофер Иррганг. Однако доверие к результатам ИИ ограничено проблемой «чёрного ящика»: сложностью проверки физической согласованности результатов, что критически важно для принятия политических решений на основе климатических прогнозов.

В качестве решения авторы предлагают третий путь — гибридный подход «нейромоделирования земной системы», который объединит сильные стороны ESMs и ИИ. Это позволит, например, использовать ML для ускорения отдельных процессов в рамках классических моделей, высвобождая вычислительные мощности для их дальнейшего совершенствования. В будущем динамический обмен информацией между подходами может создать самообучающуюся систему, способную тестировать и улучшать свою физическую согласованность для более точных прогнозов. Хотя гибридный подход пока сопряжён с рисками, его развитие требует тесного сотрудничества между экспертами в области наук о Земле и специалистами по ИИ.