Algoritme haalt begrijpelijke informatie uit weerdata om AI-modellen te verbeteren

Hurricane Beryl boven de Caribische Zee op 2 juli 2024. De WSINDy (Weak form Sparse Identification of Nonlinear Dynamics) algoritme kan helpen bij het verbeteren van de voorspellingen van dergelijke fenomenen en nieuwe inzichten bieden in de onderliggende fysica van het weer.

Langetermijn weersvoorspellingen zijn een moeilijke taak, deels omdat weersystemen van nature chaotisch zijn. Hoewel wiskundige vergelijkingen de onderliggende fysica van het weer kunnen benaderen, beperken kleine onnauwkeurigheden die exponentieel toenemen naarmate een model in de tijd vordert de meeste fysica-gebaseerde voorspellingen tot 2 weken of minder.

Geschatte waarden, zogenaamde parameters, die worden gebruikt om de effecten van specifieke fysieke processen weer te geven, zijn belangrijke ingrediënten in deze vergelijkingen. Parameters worden afgeleid van fysieke gegevens en beïnvloeden modelresultaten door bijvoorbeeld metingen van temperaturen, winden of andere factoren te vermenigvuldigen of verschillende gewichten toe te kennen.

In de afgelopen jaren hebben op kunstmatige intelligentie (AI) gebaseerde modellen zoals GraphCast en FourCastNet de weersvoorspelling veranderd met hun vermogen om te leren van grote hoeveelheden weerdata en zeer nauwkeurige voorspellingen van toekomstig weer te produceren.

Echter, AI-gebaseerde modellen bevatten doorgaans tientallen miljoenen tot honderden miljoenen parameters die niet direct vertalen naar onderliggende fysieke processen. Omdat deze parameters niet interpreteerbaar zijn voor onderzoekers, dragen dergelijke AI-modellen slechts beperkt bij aan het wetenschappelijk begrip van het weer.

In een studie gepubliceerd in het Journal of Geophysical Research: Machine Learning and Computation, hebben Minor en zijn team deze beperking aangepakt door de mogelijkheden van een Weak form Scientific Machine Learning (WSciML) algoritme, bekend als Weak form Sparse Identification of Nonlinear Dynamics (WSINDy), aan te tonen.

Net als andere AI-methoden leert WSINDy van data. Maar in plaats van een sterk geparameteriseerde benadering te gebruiken, ontdekt het wiskundige vergelijkingen die complexe, reële fysieke processen vertegenwoordigen, zoals hoe luchtdruk, dichtheid en werveling samenwerken om windsnelheid en -richting te bepalen.

De onderzoekers hebben WSINDy toegepast op zowel gesimuleerde als echte turbulente atmosferische vloeistofgegevens, waaronder metingen van temperatuur, druk en windsnelheid. WSINDy gebruikte de kunstmatige gegevens om de bekende vergelijkingen uit de simulatie te identificeren. Het belangrijkste is dat WSINDy ook in staat was om de heersende vergelijkingen van de bekende atmosferische fysica succesvol te identificeren vanuit een wereldwijde set van geassimileerde gegevens die echte weersobservaties omvatten.

Deze bevindingen suggereren dat WSINDy niet alleen kan helpen bij weersvoorspellingen, maar ook nieuwe fysieke inzichten over het weer kan onthullen, aldus de onderzoekers. Ze merken ook op dat WSINDy bijzonder goed geschikt is voor toepassing op gegevens met hoge niveaus van observatiegeluid.

Desondanks is verder onderzoek nodig om WSINDy te verfijnen, zodat het nauwkeuriger bepaalde soorten bekende atmosferische vergelijkingen kan identificeren, zoals realistische modellen voor atmosferische wind, zeggen de onderzoekers. Het algoritme wordt ook onderzocht voor gebruik in een breed scala aan andere wetenschappelijke gebieden, waaronder onverklaarde fenomenen in fusie, gedragingen van populaties die epidemieën aansteken, en communicatie tussen cellen die leidt tot collectieve beweging bij wondgenezing.