Как обучить нейросеть на двадцати годах данных: тренажёр для Эль-Ниньо
Переводчик на переговорах держит под рукой черновик речи, но правит перевод по живому разговору. Так и новый алгоритм обучает нейросеть предсказывать Эль-Ниньо: длинная симуляция из грубой климатической модели служит черновиком, а короткий ряд спутниковых наблюдений — живым разговором, который корректирует каждый шаг.
Эль-Ниньо — это аномальное потепление воды в восточной части Тихого океана, которое влияет на дожди и урожаи по всему миру. Наблюдений мало: за спутниковую эру зафиксировано лишь три сильных события. Физические модели ошибаются, а обычным нейросетям не хватает данных. Новый метод генерирует около 30 000 недельных отсчётов из простой модели, где взаимодействуют температура океана, глубина термоклина и ветровые порывы. Эти данные предлагают нейросети обновить параметры, а затем короткий наблюдательный ряд проверяет, уменьшает ли это ошибку на реальных данных. Если да, обновление принимают; если нет, отвергают.
Результат: прогноз сохраняет мастерство до 9,5 месяцев вперёд, тогда как простой персистентный прогноз держится 5 месяцев, а ансамбль физических моделей — 6. Алгоритм преодолевает весенний барьер предсказуемости и снижает неопределённость. Метод применим к любой геофизической системе с ограниченными наблюдениями, если есть разумная приближённая модель.
Ветровые порывы в западной части Тихого океана, которые авторы включают в модель, живут на внутрисезонных масштабах: для прогноза используются данные всего за последние 8 дней, тогда как температура и термоклин берутся за 8 недель. Такая разномасштабность входов оказалась ключевой для продления навыка прогноза.