T.汉克斯说，过去20年机器学习取得了进步，人类能否在国际象棋等游戏中打败电脑已不再是问题;我们赢得卧推比赛的机会和铲车差不多。但是问问当前的计算机冠军，谷歌的AlphaZero，在国际象棋方面的建议理论比如，在鲁伊·洛佩兹的开场中，主教还是骑士更有价值，而你得到的只是光标闪烁时的茫然眼神。理论是人构造的算法没有必要的。计算机只知道如何在任何给定的姿势中找到最佳的动作，因为它经过了广泛的训练——非常广泛的训练——通过对自己的练习和学习什么动作有效。
即使有18个月的准备时间，神经网络也能够预见到El Niño事件的到来。
alphazero的成功故事的计算方法已被称为“深入学习”所谓的，因为它们采用了复杂的结构，例如深神经网络，其中输入和输出之间的多层计算节点。这里的输入可以是丰富的结构，如棋盘上的棋子的位置或图像中的像素的颜色值，并且输出可能是做出决定所需的评估，如可能的国际象棋移动或概率的价值图像是a的照片奇瓦瓦代替蓝莓松饼．培训网络通常涉及调整所有可用拨号，该模型的参数，直到它对一组训练数据做得好，然后在单独的样本数据集上测试其性能。关于这种系统的一个投诉是，一旦他们的训练完成，它们就可以是一个黑匣子;算法如何处理它给出的信息，以及为什么，通常在谜中笼罩。(When all that’s at stake is a chess game, this is no great concern, but when the same techniques are used to determine people’s creditworthiness or likelihood of committing a crime, say, the demand for accountability understandably goes up.) The more layers of nodes, and the more parameters to be adjusted in the learning process, the more opaque the box becomes.
尽管如此，除了他们的董事会游戏的主导地位外，深度学习算法已经找到了从金融到广告到医学的田野的成功。有点令人惊讶的是，下一个多米诺骨牌可能是天气预报。对于机器学习承担，这是一个令人惊讶的挑战，部分是因为传统的人类学习（由计算机增强，而是仅用于数字嘎吱嘎吱）已经有一个非常好的句柄。因此，这是一个有趣的案例研究，即在深度学习方法侵入既定的纪律时，以及人类与机器之间的新比赛可能会为科学的未来移植。
M.与国际象棋不同，ethetology有很多接受的理论。像土地和大气之间的流体动力学或能量转移等方程的基本物理关系限制了天气系统如何形成和发展。事实上，目前的最先进的天气预报实际上，基于温度，风，湿度等的电流测量和由于测量误差而定的不确定度，将模拟解决方案的模拟解决方案。从完全Naiveté，一个神经网络的位置开始，无论多么深，都会赶上所有理论知识。因此，机器学习和气候科学的最前沿的研究人员最近开始使用不同的方法：结合我们已经了解气象学的信息与深度学习揭示模式的能力，我们不知道。
今年9月自然, Yoo-Geun火腿和Jeong-Hwan金正日的海洋学Chonnam国立大学在韩国,和罗Jing-Jia研究所的气候和应用研究在中国,宣布成功的一个新的深度学习算法来预测厄尔尼诺事件的发生提前18个月。El Niño指的是东太平洋冷暖海面温度振荡的暖期，它给全球中期天气预报带来了一个长期的问题。在El Niño的年份里，正常的天气模式被打乱了，世界上一些地方出现了更潮湿的条件和更严重的风暴，而另一些地方则经历了更长时间的干旱。最严重的影响发生在南美洲西海岸，那里的暴雨会导致灾难性的洪水，而海洋温度的变化会威胁到该地区赖以生存的渔业，而在南太平洋的另一边，受到三种打击:干燥条件、强风、以及高于平均温度，所有这些都加剧了发生丛林火灾的风险，比如目前在澳大利亚新南威尔士州发生的火灾。
ElNiño的社会成本可能是巨大的;它与水资源短缺，饥荒，传染病的传播以及一般内乱有关。（欧洲作物产量的浸入1789-1793 ElNiño甚至可能有助于启动法国革命。）因此更好地预期和为ElNiño准备的潜在好处同样庞大。问题是ElNiño事件仅定期出现。当ElNiño首次被描述为全球现象时，记录返回到1800年代后期，在事件之间显示两到七年的典型间隔，而且没有真正的模式。此外，它们的严重程度和类型的范围取决于最大的海洋温度异常出现的何处，每种类型都会产生自身的天气现象的特质混合。根据您的生活，您甚至可能没有注意到我们刚刚完成了;2019年的ElNiño结束了这一秋季，是温和的品种。
我们有很多机会，因为击败国际象棋计算机，因为赢得了叉车的卧台竞赛。
在哈姆和他的合著者之前，最好的预测者最多可以提前一年预测El Niño事件，但有理由相信还有改进的空间。首先，海洋温度的变化不会那么快，波动也不像单个天气系统那样混乱。这些异常也有周期性;厄尔尼诺现象Niño的变暖期之后，通常是被称为La Niña的变冷期，就像一个巨大的暖波在太平洋上来回晃动。因此，尽管确切的原因和时间尚不清楚，但预警信号可能早就出现了。
他们决定使用所谓的卷积神经网络，相同的网络架构用于机器视觉问题，如图像识别等，看它是否可以在可以预测ELNiño事件的海水温度数据中辨别特征。然而，培训他们的模型，他们不能依靠历史数据，因为它几乎没有足够的东西。海度的每月记录只回到1871年，并且需要保留某些数据，以验证模型的预测，以外的用于培训。对于最适合大数据问题的技术，ElNiño数据令人失望。
这是Newfangled数据科学遇到了古老的气候科学。
他们首先将他们的神经网络批量培训了他们的神经网络模拟．这些模拟由世界各地的研究小组制作，并作为耦合模式相互比较项目(CMIP)的一部分收集。CMIP是一个大规模的倡议，旨在共享气候模式，并比较不同未来可能发生的情况的pb值预测。有些场景代表了不同的过去，就像气候历史小说，这些故事足够详细，包括El Niño事件等功能。因此，这些模拟代表了可信的数据，受已知气候模型的限制。它们可能比真实数据差了一步，但它们足够真实，可以代替真实的文章。用替代品吧，哈姆等等。能够在数据集中训练神经网络相当于2,961年的观察。然后，他们将所有培训的结果作为从实际历史数据学习的起点，它们将其分解为从1871年至1973年的培训期以及从1984年到2017年的样本验证期。
为什么国际象棋电脑深蓝色像人类一样播放
当IBM的Deep Blue Beat Chess Grandmaster Garry Marrare Kasparov在1997年在一个六场棋子比赛中，Kasparov来相信他正面临一个可能会体验人类直觉的机器。“机器拒绝移动到一个有...阅读更多
结果是壮观的。神经网络比以前的最先进的预测更好，差距越早越来越越来越亮预测。即使在18个月的领先时间为18个月，神经网络也能看到ElNiño事件即将到来，对其幅度进行很好的估计，甚至根据温度尖峰是否会在中央或东部地区发生的情况来分类。它在预测Boreal Spring and Summer at夏天的ElNiños预测ElNiños时，这是一个“可预测性屏障”以前的模型，因为ElNiño和季风在南亚的复杂相互作用。
在将知识应用到另一项任务之前，训练系统在一项任务中表现良好的技术被称为“迁移学习”。在这种情况下，在一组模拟数据中做出El Niño预测。哈姆对El Niño的成功预测表明，这种方法可以将气候学和深度学习的最佳部分结合起来。由气候模型产生的模拟为神经网络提供了充足的数据来学习，实际上训练它像模型一样思考，但这些模型自然会受到一些系统错误的影响。用真实的历史数据对神经网络进行微调，然后消除误差，让神经网络找到科学家们可能没有想到要寻找的特征，最终结果是更好的预测。
为了证明他们的模型实际上吸收了气候理论的一些经验教训，作为最后的检验，建模人员使用神经网络对1997年至1998年的厄尔尼诺Niño进行了事后分析，这是有记录以来最严重的一次。在1996年5月、6月和7月的海水温度下进食时，他们看到特定区域的神经元发光，表明El Niño事件的有利条件正在形成。从1996年开始，热带西太平洋的温暖海水就像一把上了膛的枪，然后西南印度洋的寒冷天气使它向东移动，大约一年后导致了极端的El Niño。亚热带大西洋比平均水平更冷的条件只会加剧这种情况。不像一些神秘的神秘的黑盒子，这个模型识别出了一些重要的特征，这些特征与气候学家所知道的世界不同地区的海洋温度和气候叙事方式之间的联系是一致的。网络只是比其他任何人都早看到了它的到来，也许早到足以让受灾地区的人们更好地为毁灭性的影响做好准备，如果预警系统已经到位。
T.寻找El Niño所展示的混合方法很可能为将成功的机器学习技术应用到诸如气候科学等理论密集型领域提供一种新的模式。这些最近的突破表明，研究的未来可以是一个结合传统科学和数据科学最好部分的合资企业，而不是地盘之争。在另一篇论文中自然今年，领先作者Markus Reichstein在德国Max Planck生物地球化学研究所的生物地球化学研究所的生物地球化学研究所争论“语境提示”的重要性，意思是通过已知理论预测的数据中的关系，作为增强深度学习方法的方式在地球科学。没有理由期望它阻止那里。
与此同时，由于我们发现自己面临的持续的气候灾难，机器学习可能会使气候科学成为一个恰当的时间提升。特别是，即使天气系统ElNiño的影响预计未来变得更加极端，仍然没有科学的共识，关于气候变化是否会增加ElNiño事件的频率或严重程度。2013年期间气候变化报告政府间议会简单地说，它预计ElNiño将继续，但对可能发生变化的方式非常有信心。ElNiño事件依赖于温暖和冷海水之间的复杂反馈环，气氛，贸易风等扰乱这些循环的一部分可以关闭整个事情，使ELNiño条件更频繁甚至永久性，或者没有无论如何都有明显的影响。
搞清楚如何为未来的极端天气做准备，就像在棋子不断变化的象棋游戏中找到最优策略一样。这需要超级计算机的学习能力和大师的全部经验。
Aubrey Clayton是一个生活在波士顿的数学家。他教导了概率的逻辑和哲学哈佛扩展学院．
领导图像：生产Perig / Shutterstock
