أوركسترا من ألف عازف تعزف بتناغم ما دام قائد الأوركسترا يحافظ على الإيقاع. لكن بمجرد أن يغيّر النوتة، تبدأ آلات الكمان في زاوية ما بالعزف بصوت أعلى، بينما تدخل آلات النفخ في زاوية أخرى متأخرة. هكذا تقريبًا تعيد المؤشرات المناخية، مثل إل نينيو، تشكيل سلوك الظواهر الجوية المتطرفة: فالجفاف في منطقة والحرارة الشديدة في منطقة أخرى لم يعودا مجرد صدف مستقلتين، بل يبدآن بالحدوث معًا.

لطالما عجز العلماء عن التقاط هذا الارتباط. النماذج التقليدية افترضت أن بنية الاعتماد بين النقاط ثابتة، وكأن الأوركسترا تعزف دائمًا نفس المقطوعة. العمل الجديد يقدم شبكة ترميز ذاتي تباينية شرطية autoencoder (cXVAE) — وهي شبكة عصبية تضغط الحقل المكاني إلى تمثيل كامن، ثم تعيد بنائه مع مراعاة الشرط المناخي. يُدخل المؤشر المناخي إلى الفضاء الكامن عبر تحويل خطي، ويُدمج مع المتغيرات الكامنة قبل تمريرها إلى وحدة فك الترميز الالتفافية.

النتائج مثيرة للإعجاب. على البيانات الاصطناعية، يعيد النموذج إنتاج معامل الاعتماد المتطرف بين أزواج النقاط على أي مسافات دون انحياز تقريبًا. إدخال مؤشر مناخي حقيقي بدلًا من الضوضاء البيضاء يحسّن جودة إعادة البناء بشكل ملحوظ، والدوال الأساسية القابلة للتعلم تمنح مكسبًا إضافيًا. تجربة مضادة للواقع مع مؤشر ENSO المقلوب تؤدي إلى تحولات في توزيعات الظواهر المتطرفة المُحاكاة، مما يؤكد حساسية النموذج للمحرك المناخي.

القيمة العملية تكمن في أن النموذج يسمح بتقييم مدى أهمية عامل مناخي معين في حدوث الظواهر المتطرفة معًا، دون تشغيل محاكاة مناخية كاملة النطاق. هذا هو أول اختبار يبيّن أنه يمكن دمج مؤشر مناخي مباشرة في الفضاء الكامن لشبكة الترميز الذاتي، وبالتالي التحكم في الاعتماد الذيلية.

الآن لم يعد قائد الأوركسترا يلوّح بالعصا فحسب، بل يمكنه أيضًا عزف نوتات بديلة. إذا قلبنا إل نينيو، ستصدر أوركسترا الظواهر المتطرفة صوتًا مختلفًا، وستُظهر الشبكة العصبية كيف يكون ذلك بالضبط. تبقى الأوركسترا نفسها، لكن الموسيقى تتغير، وأخيرًا يمكننا سماعها مسبقًا.