详细内容或原文请订阅后点击阅览
更简单的模型可以在气候预测上胜过深度学习
新的研究表明，气候数据的自然变异性可能导致AI模型在预测局部温度和降雨方面挣扎。
来源:MIT新闻 - 人工智能环境科学家越来越多地使用巨大的人工智能模型来预测天气和气候变化，但是麻省理工学院研究人员的一项新研究表明，较大的模型并不总是更好。
团队表明，在某些气候方案中，基于物理的模型比最新的深度学习模型可以产生更准确的预测。
他们的分析还表明，通常用于评估机器学习技术以进行气候预测的基准测定技术可能会因数据的自然变化而扭曲，例如天气模式的波动。这可能会导致某人相信一个深入学习的模型会在情况下做出更准确的预测。
研究人员开发了一种评估这些技术的更强大的方法，这表明，在估计区域表面温度时，简单的模型更为准确，但深度学习方法可能是估计局部降雨的最佳选择。
他们使用这些结果来增强称为气候模拟器的模拟工具，该工具可以快速模拟人类活动对未来气候的影响。
气候模拟器研究人员将他们的工作视为一个关于为气候科学部署大型AI模型的风险的“警告性故事”。虽然深度学习模型在诸如自然语言之类的领域中表现出了不可思议的成功，但气候科学包含了一套可靠的物理定律和近似值，而挑战是如何将这些定律纳入AI模型。
将计算带入气候挑战 纸 建模地球系统进步杂志比较模拟器
因为地球的气候是如此复杂，因此运行了最先进的气候模型，以预测污染水平将如何影响环境因素，例如温度可能需要数周的数周才能在世界上最强大的超级计算机上。
构建新评估