Простая модель превзошла глубокое обучение в прогнозировании климата
Исследователи из MIT обнаружили, что в некоторых климатических сценариях более простые физические модели могут давать более точные прогнозы, чем современные модели глубокого обучения. Их работа опубликована в Journal of Advances in Modeling Earth Systems.
Учёные проанализировали традиционный метод линейного масштабирования шаблонов (LPS) и сравнили его с глубоким обучением, используя стандартный набор данных для оценки климатических эмуляторов. Результаты показали, что LPS превосходит глубокое обучение в прогнозировании почти всех параметров, включая температуру и осадки.
«Хотя большие методы ИИ очень привлекательны для учёных, они редко решают совершенно новую проблему», — отмечает ведущий автор Бьёрн Лютженс.
Исследователи также выявили, что стандартные методы оценки могут искажаться из-за естественной изменчивости климатических данных, таких как колебания погодных паттернов. Это может создать ложное впечатление, что модели глубокого обучения точнее, хотя на деле это не так.
Команда разработала более надёжный способ оценки, который показал, что простые модели точнее предсказывают региональные температуры, а глубокое обучение лучше справляется с локальными осадками.
На основе этих результатов исследователи усовершенствовали инструмент климатического эмулятора, который быстро моделирует влияние человеческой деятельности на будущий климат. Эта работа служит «предостерегающей историей» о рисках использования больших моделей ИИ в климатологии.
0 комментариев