[论文解读] Machine Learning in Heliophysics and Space Weather Forecasting: A White Paper of Findings and Recommendations

Gelu M. Nita, Manolis K. Georgoulis+39 more|arXiv (Cornell University)|Jun 22, 2020

Solar and Space Plasma Dynamics参考文献 6被引用 9

一句话总结

本白皮书提出通过标准化基准数据集、跨学科协作以及数据与代码的开放共享，将机器学习（ML）战略性地整合到太阳物理学和空间天气预报中。它主张将ML作为物理建模的补充工具，强调对数据、模型和性能进行严格验证，以推进空间天气预测能力和美国国家科学基金会（NSF）重大挑战项目的发展。

ABSTRACT

The authors of this white paper met on 16-17 January 2020 at the New Jersey Institute of Technology, Newark, NJ, for a 2-day workshop that brought together a group of heliophysicists, data providers, expert modelers, and computer/data scientists. Their objective was to discuss critical developments and prospects of the application of machine and/or deep learning techniques for data analysis, modeling and forecasting in Heliophysics, and to shape a strategy for further developments in the field. The workshop combined a set of plenary sessions featuring invited introductory talks interleaved with a set of open discussion sessions. The outcome of the discussion is encapsulated in this white paper that also features a top-level list of recommendations agreed by participants.

研究动机与目标

• 通过提出机器学习作为关键分析与预报工具，应对太阳物理学数据日益增长的复杂性。
• 通过在太阳物理学各领域建立标准化、高质量的基准数据集，克服当前数据与建模实践的局限性。
• 促进太阳物理学家、数据科学家和建模人员之间的协作，确保机器学习应用具有科学基础且可验证。
• 通过倡导数据、模型和源代码的公开可用性，推动开放科学，加速整个社区的进展。
• 通过将机器学习作为未来研究基础设施的核心组成部分，支持NSF在空间天气预报领域的重大挑战项目。

提出的方法

• 组织跨学科研讨会（如ML-Helio系列），协调太阳物理学、数据科学和建模领域专家。
• 在所有太阳物理学子领域开发标准化基准数据集，以实现对机器学习与物理模型的客观比较。
• 将实验室等离子体实验与物理模型相结合，更好地理解仅靠观测无法触及的微观尺度过程。
• 实施三级质量保证框架：数据验证、模型验证和性能验证，适用于所有机器学习应用。
• 建立专家团队，将机器学习应用构想正式转化为具有明确时间表和里程碑的可执行计划。
• 利用现有计算基础设施（如CCMC、EarthCube），并推动开放许可，确保跨机构和跨部门的数据与代码可访问性。

实验结果

研究问题

• RQ1 如何在不损害物理建模原则的前提下，系统性地将机器学习整合到太阳物理学和空间天气预报中？
• RQ2 在太阳物理学中，创建和维护高质量、经社区验证的基准数据集的最有效策略是什么？
• RQ3 如何制度化太阳物理学家、数据科学家和建模人员之间的跨学科协作，以确保机器学习应用的稳健性？
• RQ4 应采取何种机制以确保太阳物理学社区中机器学习模型、数据和源代码的长期开放性与可复现性？
• RQ5 机器学习在哪些方面可以增强NSF在空间天气预报领域重大挑战项目的预测能力？

主要发现

• 高质量、标准化的基准数据集对于在太阳物理学中客观评估和比较机器学习与物理模型至关重要。
• 机器学习并非物理建模的替代品，而是一种强大补充，尤其在应对现代太阳物理学中的大数据挑战时。
• 必须同步实施数据、模型和性能验证的三重质量保证流程，以确保机器学习应用的可靠性与可复现性。
• 建立专家团队，将机器学习构想转化为结构化、有时间限制的行动计划，对系统性推进该领域发展至关重要。
• 开放共享数据与源代码是社区进步的必要条件；尽管当前激励机制有限，但提高公开可用性预计将推动更广泛的应用。
• 美国国家航空航天局（NASA）、国家海洋和大气管理局（NOAA）、空军科学研究办公室（AFOSR）以及更广泛的跨学科社区是关键利益相关方，其协作对机器学习在太阳物理学中的成功至关重要。