Переводчик, выучивший язык по тысячам книг, переводит разговор, не отвлекаясь на шум в зале. Так и нейросеть, обученная на 127 137 годах модельного климата, за доли секунды выдаёт прогноз на зиму — быстрее и точнее, чем громоздкие динамические системы.

Сезонный прогноз на месяцы вперёд — это попытка заглянуть в будущее, опираясь на медленные процессы в океане. Океан хранит тепло и отдаёт его атмосфере постепенно, как каменная печь после топки. Если в июле вода на глубине 5–300 метров была теплее обычного, зима в некоторых регионах может быть мягче. Но чтобы уловить эту связь, нужно учесть тысячи деталей: течения, испарение, облака, рельеф. Динамические модели, которые решают уравнения физики, спотыкаются о три барьера: неточные начальные данные, упрощённые схемы мелких процессов и малое число вариантов расчёта. Нейросеть обходит эти барьеры иначе: она не пытается воспроизвести физику, а ищет закономерности в гигантском архиве уже готовых симуляций.

Архитектура модели напоминает переводчика с двумя блоками. Кодировщик сжимает пару «июльский океан — зимняя погода» в короткий код, как переводчик улавливает суть фразы. Декодировщик разворачивает этот код в карту прогноза, как переводчик произносит ответ на другом языке. В коде остаётся только то, что важно для связи между океаном и атмосферой. Шум, то есть случайные колебания, не мешает: модель учится отделять сигнал от помех, как опытный переводчик не отвлекается на кашель в зале.

Обучение шло в три шага. Сначала модель училась предсказывать зиму по океану без всякого кода, потом осваивала сжатие, и наконец все параметры тонко настраивались вместе. После этого нейросеть запустили на реальных данных океана за 1982–2018 годы и сравнили с четырьмя лучшими динамическими системами. Результат оказался неожиданным: корреляция прогноза с наблюдениями для температуры в восточной тропической части Тихого океана превысила 0.9, а для осадков и температуры почти на всех континентах нейросеть была точнее эталонов.

Но главное не только в точности. Нейросеть можно использовать как зеркало для динамических моделей. Если прогноз нейросети, обученной только на данных одной модели, оказывается лучше прогноза самой этой модели, значит, дело не в данных, а в формулировке модели. Так авторы показали, что ошибки инициализации и упрощённые схемы вносят разный вклад в разных регионах. Карты чувствительности подтвердили, что нейросеть опирается на физически осмысленные закономерности: тепло в восточной части Тихого океана связано с засухой на Морском континенте, как и предсказывает циркуляция Уокера.

Переводчик, выучивший язык по книгам, не только переводит, но и объясняет, почему в оригинале фраза звучит именно так. Нейросеть, обученная на модельном климате, не только предсказывает погоду, но и показывает, где динамические системы ошибаются и почему. Это значит, что сезонный прогноз для сельского хозяйства, водных ресурсов и энергетики может стать надёжнее, а разработчики климатических моделей получат инструмент для поиска слабых мест.