[论文解读] Will Artificial Intelligence supersede Earth System and Climate Models?

Christopher Irrgang, Niklas Boers+5 more|arXiv (Cornell University)|Jan 22, 2021

Scientific Computing and Data Management参考文献 125被引用 10

一句话总结

本文提出了神经地球系统建模（NESYM），一种混合框架，将深度神经网络与基于物理过程的地球系统模型相结合，以实现可解释性、自我验证性和地球物理一致性的气候模拟。通过融合人工智能的预测能力与地球系统模型的物理基础，NESYM旨在克服两大领域各自的局限性，实现更准确、可解释的气候预测，同时应对可解释性、泛化能力和模型偏差等关键挑战。

ABSTRACT

We outline a perspective of an entirely new research branch in Earth and climate sciences, where deep neural networks and Earth system models are dismantled as individual methodological approaches and reassembled as learning, self-validating, and interpretable Earth system model-network hybrids. Following this path, we coin the term "Neural Earth System Modelling" (NESYM) and highlight the necessity of a transdisciplinary discussion platform, bringing together Earth and climate scientists, big data analysts, and AI experts. We examine the concurrent potential and pitfalls of Neural Earth System Modelling and discuss the open question whether artificial intelligence will not only infuse Earth system modelling, but ultimately render them obsolete.

研究动机与目标

• 为解决气候科学中传统基于物理过程的地球系统模型（ESMs）与新兴人工智能工具之间日益增长的张力。
• 提出一种新的研究范式——神经地球系统建模（NESYM），将深度学习与物理建模相结合，以提升气候预测能力。
• 通过将地球物理原理嵌入神经架构中，克服独立人工智能模型在物理一致性与可解释性方面的局限。
• 促进气候科学家、人工智能专家与数据分析师之间的跨学科合作，以开发稳健、可解释且基于物理的AI驱动地球系统模型。
• 探讨人工智能是否不仅能够增强，而且最终取代传统ESMs，以及在何种条件下这种转变可实现科学上的有效与可靠。

提出的方法

• 开发混合模型，将深度神经网络与基于物理过程的地球系统模型组件（尤其是亚网格尺度参数化）相结合。
• 采用自监督与对比学习技术，使神经网络能够从观测数据中学习，同时遵守物理约束。
• 应用可解释人工智能（XAI）方法，如逐层重要性传播（LRP），以解释神经网络的决策并将其与物理过程关联。
• 实施无监督机器学习，用于气候系统中的状态识别与因果关系探测，包括对模型收支进行聚类以确保物理一致性。
• 引入对抗训练以生成高分辨率的大气场，提升模型保真度。
• 建立面向过程的诊断方法（POD）作为基准，评估独立机器学习模型与NESYM混合模型在地球物理一致性与预测能力方面的表现。

实验结果

研究问题

• RQ1 人工智能系统能否被设计为不仅预测气候变量，还能嵌入并尊重地球系统的根本物理定律？
• RQ2 混合神经-物理模型在预测精度与泛化能力方面，相较于独立的ESM或机器学习模型，能在多大程度上实现提升？
• RQ3 可解释人工智能（XAI）技术如何适应复杂气候动力学与亚网格尺度过程的背景，以解释神经网络的决策？
• RQ4 将确定性、基于方程的ESM与数据驱动、黑箱化的神经网络相结合，面临哪些关键的方法论与认识论挑战？
• RQ5 在何种条件下，人工智能可能完全取代传统地球系统模型？为确保科学可靠性与可解释性，需要哪些保障措施？

主要发现

• 神经地球系统建模（NESYM）为整合深度学习的预测能力与基于物理过程的地球系统模型的物理一致性提供了一条切实可行的路径。
• 可解释人工智能（XAI）方法，如逐层重要性传播（LRP），已成功揭示神经网络输出中的变化模态、可预测性来源与气候变化指标。
• 无监督机器学习技术（如对模型收支进行聚类）可在无需预先标注的情况下识别主导的物理平衡与不同的气候状态。
• 对抗训练已成功生成大气变量的超分辨率场，显著提升了气候模型输出的空间保真度。
• 面向过程的诊断方法（POD）为评估机器学习与NESYM混合模型提供了稳健的框架，确保地球物理一致性与模型性能的持续改进。
• 人工智能与ESM的融合并非替代关系，而是一种协同进化——唯有通过气候科学家与人工智能专家的持续合作，才能催生可解释、可靠且物理一致的模型。