main concepts scientists sections
ПростоПопулярноПодробно

Решето для Эль-Ниньо: как алгоритм сам находит минимальную модель капризного климата ✛

Оригинал: "A Physics-Informed Auto-Learning Framework for Developing Stochastic Conceptual Models for ENSO Diversity"
· Yinling Zhang, Nan Chen, Jerome Vialard, Xianghui Fang
arXiv:2402.04585 · 2024-02-07 · CC BY 4.0 · 2 мин
Динамические системы Физика атмосферы и океана
Автоматический отбор по причинной энтропии оставляет в модели только те переменные, без которых разнообразие Эль-Ниньо не воспроизвести.

Каждые несколько лет огромный бассейн тёплой воды в западной части Тихого океана сдвигается на восток, как вода в ванне, если резко наклонить её в одну сторону. Это Эль-Ниньо. Но каждый раз наклон получается разным: то вода плещется у берегов Перу, то застревает посередине, то проливается мощным потоком, то едва ползёт.

Учёные давно пытаются собрать простую модель, которая воспроизводила бы все эти варианты. Проблема в том, что в уравнениях накапливается множество слагаемых, и неясно, какие из них действительно нужны, а какие лишь создают видимость точности. Новая работа предлагает решето: алгоритм просеивает библиотеку из десятков функций и оставляет только те, что добавляют информацию о том, как меняется система.

Решето здесь не метафора, а принцип работы. Для каждой функции-кандидата вычисляется причинная энтропия: сколько дополнительной информации о скорости изменения переменной даёт эта функция, если уже известны все остальные. Если функция не добавляет ничего нового, её отбрасывают.

Просеяв таким образом шестимерную эталонную модель, авторы получили иерархию моделей размерности от трёх до шести. Все модели, кроме трёхмерной, воспроизводили ключевые свойства разнообразия Эль-Ниньо: сезонную синхронизацию, асимметрию температур, автокорреляции и частоты разных типов событий. Минимальной достаточной оказалась четырёхмерная модель.

В ней три переменные описывают медленные процессы: глубину термоклина (слоя резкого перепада температуры) на западе Тихого океана и температуру поверхности в восточной и центральной частях. Четвёртая переменная отвечает за внутрисезонные порывы западного ветра. Без неё модель становится слишком регулярной и недооценивает экстремальные явления, когда аномалия температуры превышает 2.5 °C.

Порывы западного ветра — это не просто шум. Они действуют как случайные толчки, которые иногда раскачивают систему до состояния сильного Эль-Ниньо. Модель без такой переменной напоминает маятник, который качается строго по расписанию и никогда не выходит за привычную амплитуду.

Метод не просто находит модель, но и делает её прозрачной. В отличие от нейросетей, которые работают как чёрный ящик, здесь каждое слагаемое в уравнении имеет физический смысл. Это открывает путь к систематическому построению концептуальных моделей для других геофизических систем, где данных много, но понимание механизмов ограничено.

Решето, просеявшее уравнения Эль-Ниньо, оставило в руках учёных минимальный набор деталей, из которых собирается весь спектр поведения этого климатического явления.

Весь граф →

Причинная энтропия, используемая для отбора членов модели, вычисляется по аналитическим формулам благодаря гауссову приближению, что делает весь процесс автогенерации вычислительно дешёвым: на обычном компьютере он занимает минуты, а не часы.

C_{f_m \to \dot{u}_i | [f \setminus f_m]} = H(\dot{u}_i | [f \setminus f_m]) - H(\dot{u}_i | f)
Разность условных энтропий показывает, сколько дополнительной информации о скорости изменения переменной даёт конкретная функция, если уже учтены все остальные кандидаты.
C_{Z \to X | Y} \approx \frac{1}{2} \ln(\det(R_{XY})) - \frac{1}{2} \ln(\det(R_Y)) - \frac{1}{2} \ln(\det(R_{XYZ})) + \frac{1}{2} \ln(\det(R_{YZ}))
Приближённое выражение через определители ковариационных матриц позволяет избежать многомерного интегрирования и быстро вычислить причинную энтропию.
Понятия
энсо модель Джина–Тиммермана многомерный индекс ЭНСО индекс Эль-Ниньо весенний барьер предсказуемости буйковые станции TAO/TRITON модель осциллятора с подзарядкой естественная изменчивость самонаблюдаемое обучение южная осцилляция эль-ниньо стохастическая динамическая система ERSST автоэнкодер стохастическое моделирование физически информированная нейронная сеть моделирование эмерджентной сложности объём тёплой воды обучение с подкреплением распространение экваториальных волн южная осцилляция