神经符号双向翻译——面向气候临界点研究的深度学习可解释性
机器学习
2023-06-21 v1 人工智能
摘要
近年来，使用深度学习进行气候和天气建模的情况有所增加。尽管结果令人印象深刻，但深度学习模型的可解释性和解释性仍是一项挑战。第三波人工智能（AI），包括逻辑与推理，已被描述为解决这些问题的一种途径。神经符号AI是这种逻辑与推理同深度学习集成的关键组成部分。在这项工作中，我们提出一种称为神经符号问答程序翻译器（NS-QAPT）的神经符号方法，以解决深度学习气候模拟的可解释性和解释性问题，应用于气候临界点发现。NS-QAPT方法包括一个双向编码器-解码器架构，在领域特定问题与用于指导气候模拟的可执行程序之间进行翻译，充当气候科学家与深度学习模型之间的桥梁。我们展示了该翻译方法的早期引人注目的结果，并针对一个众所周知的临界点——大西洋经向翻转环流（AMOC）的崩溃，引入了领域特定语言及相关的可执行程序。
引用
@article{arxiv.2306.11161,
title = {Neuro-Symbolic Bi-Directional Translation -- Deep Learning Explainability for Climate Tipping Point Research},
author = {Chace Ashcraft and Jennifer Sleeman and Caroline Tang and Jay Brett and Anand Gnanadesikan},
journal= {arXiv preprint arXiv:2306.11161},
year = {2023}
}