详细内容或原文请订阅后点击阅览
Machine Learning Rediscovers Equations Governing Ocean Biogeochemistry
研究人员使用一种称为符号回归的过程从海洋生物地球化学模型中推导出方程。
来源:Eos杂志气候和海洋模型使用一系列方程来表示复杂的自然过程。然而，这些模型中使用的方程通常是根据有限的观察和一系列假设得出的。
机器学习可能是一种强大的数据分析方法，可以直接“发现”大型复杂系统（例如不断变化的海洋生物地球化学）背后的方程。然而，机器学习尚未针对方程发现进行全面测试，这意味着其功能和潜在缺点尚不完全清楚。
为了更好地理解机器学习在方程发现中的适用性，Wang 等人转向海洋生物地球化学模型，看看机器学习是否可以从相对稀疏的数据集中重新创建控制胶体铁（海洋铁循环的关键部分）的已知方程。机器学习技术发现的方程与模型中使用的原始方程相当，同时揭示了有关基础数据集和一般铁循环的新信息。作者表示，这一结果是验证方程发现在现实世界中其他类似复杂过程中的应用的一步。
作者使用了一种称为符号回归的方程发现方法，它要求机器学习模型从数学运算符开始，并从那里发现特定数据集的最佳方程。通过这种方法，作者得出了一组六个方程，描述了由微小悬浮铁颗粒组成的胶体铁在海洋中的行为。作者说，通过符号回归发现的方程与已知方程不同，但功能更简单，并且同样能很好地产生大规模模式。
—Nathaniel Scharping (@nathanielscharp)，科学作家