Модели земной системы являются сегодня наиболее важными инструментами для количественного описания физического состояния Земли и прогнозирования того, как оно может измениться в будущем под влиянием деятельности человека. Международная группа, возглавляемая Кристофером Ирргангом из Исследовательского центра наук о Земле в Потсдаме, изучает методы искусственного интеллекта, которые способны помочь улучшить эти прогнозы.

Предложение исследователей заключается в том, чтобы объединить оба подхода и построить самообучающуюся «Систему нейронного моделирования Земли». Развитие планеты происходит в условиях сложного взаимодействия поверхности суши с флорой и фауной, океанов с их экосистемой, полярных регионов, атмосферы, углеродного и других биогеохимических циклов, радиационных и других процессов. Поэтому исследователи и говорят о системе Земли. Их работы опираются, с одной стороны, на подробные и всеобъемлющие результаты наблюдений и измерений земной системы для оценки прошлых потеплений и их последствий, например, в форме увеличения числа экстремальных явлений, а с другой – на большое количество имитационных расчетов, выполненных с использованием современных моделей земной системы.

Базовые модели в последние десятилетия постоянно совершенствовались. Их эффективность подтверждается, например, тем, что они позволяют точно отслеживать изменение глобальных средних температур. Сегодня можно делать достаточно точные выводы о последствиях изменения климата на региональном уровне. Более же сложные модели требуют огромных вычислительных ресурсов. Даже в самых современных из них присутствуют неопределенности. Недооценивается, например, сила и частота экстремальных событий. Исследователи опасаются, что в определенных подсистемах Земли могут произойти резкие изменения, так называемые переломные моменты климатической системы, которые невозможно точно предсказать при помощи классических подходов к моделированию.

И здесь открывается широкое поле для использования искусственного интеллекта и методов машинного обучения. Их преимущество заключается в том, что они являются самообучающимися системами, которые не требуют знания сложных физических законов и взаимосвязей. Обучаясь на больших наборах данных, они сами определяют лежащую в основе этих процессов систематику. Но многие из приложений машинного обучения работают в упрощенной среде. И насколько они надежны, еще только предстоит проверить. Здесь, как в черном ящике, известно только то, что происходит на входе и на выходе, а это вызывает вопросы в части физической согласованности, даже если результаты кажутся правдоподобными.

В своей публикации группа математиков предлагает третий, гибридный подход. Машинное обучение тут используется не только для чистого анализа данных, но и для ускорения классических процедур. Гибридная система может проверять, корректировать и улучшать физическую согласованность, повышая точность прогнозов геофизических и климатических процессов. Но для успеха такого подхода важно укреплять сотрудничество между исследователями климата и Земли с одной стороны и экспертами в области искусственного интеллекта с другой.