Исследователи Массачусетского технологического института (MIT) установили, что простые физические модели могут превосходить сложные системы глубокого обучения при прогнозировании климатических изменений. Результаты работы опубликованы в журнале «Journal of Advances in Modeling Earth Systems».

Группа ученых под руководством профессора Ноэль Селин продемонстрировала, что в определенных климатических сценариях более простые модели, основанные на физических законах, генерируют более точные прогнозы, чем современные системы глубокого обучения.

Анализ показал, что стандартные методы оценки эффективности моделей машинного обучения для климатических прогнозов могут искажаться из-за естественных колебаний в данных, таких как флуктуации погодных условий. Это может создать ложное впечатление о превосходстве глубоких нейросетей, когда на самом деле их прогнозы менее точны.

Исследователи разработали более надежный метод оценки этих технологий, который показал, что простые модели точнее при оценке региональных температур поверхности, в то время как подходы глубокого обучения оказались предпочтительнее при прогнозировании локальных осадков.

Полученные результаты были использованы для усовершенствования инструмента моделирования климата, известного как «климатический эмулятор». Такие эмуляторы позволяют быстро моделировать влияние человеческой деятельности на будущий климат, что критически важно для разработки климатической политики.

«Мы стремимся разрабатывать модели, которые будут полезны и актуальны для лиц, принимающих решения при формировании климатической политики. Хотя использование новейших моделей машинного обучения для климатических задач может выглядеть привлекательно, наше исследование показывает, что важно тщательно продумывать фундаментальные аспекты проблемы», — отмечает профессор Селин.

Климатические эмуляторы представляют собой упрощенные аппроксимации современных климатических моделей. Их преимущество в скорости и доступности.

В то время как запуск полноценной климатической модели для прогнозирования влияния уровня загрязнений на такие факторы, как температура, может занять недели даже на мощнейших суперкомпьютерах, эмуляторы выполняют задачу значительно быстрее.

Исследователи рассматривают свою работу как «предостерегающую историю» о рисках применения крупных моделей искусственного интеллекта в климатической науке.

В отличие от обработки естественного языка, где глубокое обучение показало впечатляющие результаты, климатология опирается на проверенные физические законы, и основная задача заключается в том, как эффективно интегрировать эти законы в модели ИИ.