Гироскоп для климата: как научить нейросеть не выдумывать энергию ✛

Оригинал: "Physics constraints and response validation in discrete-time reduced-order modeling: from idealized turbulent systems to climate dynamics"

· Fabrizio Falasca, Laure Zanna

arXiv:2602.13847 · 2026-02-14 · CC BY 4.0 · 2 мин

Хаотическая динамика Статистическая механика Машинное обучение Физика атмосферы и океана

Нейросети со встроенным законом сохранения энергии учатся предсказывать реакцию климата на возмущения, не видя их в обучающих данных.

Каждые несколько лет тёплое течение у берегов Перу сдвигается, и рыбаки остаются без улова. Это Эль-Ниньо, дыхание тропического Тихого океана, которое влияет на погоду от Индонезии до Калифорнии. Предсказать его появление так же трудно, как предсказать, куда покатится камень, брошенный в бурную реку.

Учёные строят упрощённые модели таких турбулентных систем, потому что рассчитать каждую каплю океана невозможно. Нейросети хорошо учатся на данных: они видят месяцы наблюдений и выучивают закономерности. Но есть подвох. Обычная нейросеть может воспроизводить средние характеристики, а при внешнем толчке — например, при изменении солнечной активности — начать раскачиваться, как качели, которые кто-то толкает не в такт. Она не обязана сохранять энергию, потому что не знает физики.

В этой работе в архитектуру нейросети встроен закон сохранения энергии. Нелинейная часть модели устроена как гироскоп: она только поворачивает вектор состояния, не меняя его длину. Длина вектора здесь — это энергия системы. Такой поворот математически описывается ортогональной матрицей, которую нейросеть и предсказывает.

Но как проверить, что модель правильно отреагирует на возмущение, если обучали её только на спокойных данных? Авторы используют флуктуационно-диссипативную теорему — связь между спонтанными колебаниями и реакцией на внешнее воздействие. Это как узнать, насколько громко зазвенит колокол, если по нему ударить, наблюдая, как он дрожит от случайных порывов ветра.

Метод проверили на идеализированных моделях турбулентности, а затем применили к реальным данным тропической климатической системы. Модель с 20 переменными воспроизвела не-гауссово распределение Эль-Ниньо и его спектр с пиком в диапазоне 2–5 лет. Более того, она смогла сгенерировать экстремальное событие, сравнимое с рекордным Эль-Ниньо 1997/1998 года, хотя в обучающих данных такое событие встречалось лишь один раз.

Карты чувствительности за 10 лет показали, что на Эль-Ниньо сильнее всего влияют возмущения температуры поверхности в восточной части Тихого океана, субтропиках северной Пацифики и тропической Атлантике. Это не просто числа — это карта рычагов, за которые можно потянуть, чтобы изменить течение.

Гироскоп внутри нейросети не даёт модели раскачаться. Он держит её в рамках физики, и поэтому модель можно спрашивать о том, чего не было в данных: как отреагирует климат на неожиданный толчок. Раньше такие вопросы задавали с опаской, потому что модели могли выдать бессмысленный ответ. Теперь у нас есть способ строить надёжные упрощённые версии океана и атмосферы, которые не только помнят прошлое, но и честно отвечают о будущем.

Весь граф →

Модель смогла сгенерировать экстремальное событие Эль-Ниньо, сравнимое с рекордным 1997/1998 годом, хотя в обучающих данных такое событие встречалось лишь один раз.

Идея предсказывать реакцию сложной системы на вмешательство без самого вмешательства напоминает «психоисторию» из цикла Айзека Азимова «Основание», где будущее больших масс людей вычислялось по статистическим законам.

x_{t+1} = F + M Q(x_t) x_t + \Sigma \xi_t

Следующее состояние равно сумме постоянного воздействия, линейного преобразования после энергосберегающего поворота и случайного шума

R^{k,j}_t = -\langle A(x^{(k)}_t) s_j(x_0) \rangle

Отклик наблюдаемой на возмущение равен отрицательной корреляции с функцией score в начальный момент

Учёные

Ludwig Boltzmann Henri Poincaré John von Neumann Josiah Willard Gibbs

Понятия

флуктуационно-диссипационная теорема модель Джина–Тиммермана естественная изменчивость стохастическая динамическая система ERSST энсо смоделированные данные диссипация энергии буйковые станции TAO/TRITON стохастические дифференциальные уравнения теория функционала плотности весенний барьер предсказуемости модель осциллятора с подзарядкой эмпирическая ортогональная функция динамика жидкости с узором вычислительная гидродинамика реальное время моделирование биологических ритмов моделирование физики с помощью нейронных сетей гидродинамическое моделирование

Я автор

Гироскоп для климата: как научить нейросеть не выдумывать энергию ✛