由统计物理原理引导的 AI 气候干预分析模型
机器学习
2023-02-08 v1
摘要
训练数据的可用性仍然是机器学习在科学应用中实施的重要障碍。特别是，估计系统如何响应外部强迫或扰动需要专门的标注数据或定向模拟，而这些数据在大规模生成时可能计算量巨大。在本研究中，我们通过利用统计物理中被称为涨落-耗散定理（FDT）的原理，提出了一种解决这一挑战的新方案，以利用能够快速为不同外部强迫生成情景的 AI 模型来发现知识。通过利用 FDT，我们能够提取由地球系统模型产生的大型数据集中编码的信息（该数据集包含 8250 年的内部气候波动），以估计气候系统对强迫的响应。我们的模型 AiBEDO 能够捕捉辐射扰动对全球和区域表面气候的复杂多时间尺度效应，从而大幅加速探索空间异质气候强迫因子的影响。为了证明 AiBEDO 的实用性，我们使用了一种称为海洋云增亮的气候干预技术的例子，其最终目标是优化云增亮空间模式以实现区域气候目标并防止已知的气候临界点。尽管我们在气候科学的背景下展示了该方法的有效性，但它通常也适用于受限于领域模拟模型的大量计算需求的其他科学学科。AiBEDO 框架的源代码可在 https://github.com/kramea/kdd_aibedo 获取。样本数据集可在 https://doi.org/10.5281/zenodo.7597027 获取。额外数据可应要求提供。
引用
@article{arxiv.2302.03258,
title = {Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles},
author = {Soo Kyung Kim and Kalai Ramea and Salva Rühling Cachay and Haruki Hirasawa and Subhashis Hazarika and Dipti Hingmire and Peetak Mitra and Philip J. Rasch and Hansi A. Singh},
journal= {arXiv preprint arXiv:2302.03258},
year = {2023}
}