Как собрать модель Эль-Ниньо, не добавляя лишнего ✛

Оригинал: "A Physics-Informed Auto-Learning Framework for Developing Stochastic Conceptual Models for ENSO Diversity"
arXiv:2402.04585 · 2024-02-07 · CC BY 4.0 · 1 мин
Алгоритм сам отбирает только те переменные, без которых разнообразие Эль-Ниньо не воспроизвести.

Эль-Ниньо — это когда огромный бассейн тёплой воды в Тихом океане сдвигается на восток. Но каждый раз он сдвигается по-разному: то сильнее, то слабее, то ближе к одному берегу, то к другому. Учёные хотят построить простую модель, которая показывала бы все эти варианты.

Проблема в том, что в уравнениях накапливается много слагаемых, и непонятно, какие из них важны. Новый алгоритм работает как решето: он пропускает через себя все возможные слагаемые и оставляет только те, что действительно помогают предсказать, как поведёт себя океан.

Решето отбирает слагаемые по тому, сколько новой информации они добавляют. Если слагаемое не помогает предсказать изменения, его выбрасывают.

Оказалось, что для воспроизведения всех вариантов Эль-Ниньо нужно всего четыре переменные. Три из них описывают медленные изменения: глубину слоя с резким перепадом температуры на западе океана и температуру поверхности в двух других точках. Четвёртая переменная — это порывы западного ветра. Без неё модель становится слишком предсказуемой и не видит сильных Эль-Ниньо.

Алгоритм не только находит модель, но и оставляет её понятной: каждое слагаемое в уравнении имеет смысл, который можно объяснить словами.

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