解释数据驱动湍流建模中迁移学习的物理原理,提升气候预测能力!
原创 转发
原标题:傅立叶变换揭示AI如何学习复杂物理
一项新的研究发现,傅立叶分析(Fourier Analysis)是一种已有200年历史的数学技术,可以用来揭示深层神经网络如何学习执行复杂物理任务(如气候和湍流建模)的重要信息。这项研究突出了傅立叶分析作为深入了解人工智能内部运作的工具的潜力,可能对开发更有效的机器学习算法产生重大影响。
科学人工智能的"黑匣子"无法与200年前的方法匹敌
傅立叶变换揭示了神经网络学习复杂物理的深度
一项新的研究表明,计算物理学中最古老的工具之一, 一种已有200年历史的数学技术——傅立叶分析,能够揭示一种叫做深度神经网络的人工智能是如何学习执行复杂物理任务的关键信息,比如气候和湍流建模。
莱斯大学机械工程研究人员的这一发现发表在《美国国家科学院院刊》(Proceedings of the National Academy of Sciences)的姊妹刊物《PNAS Nexus》上的一项开放获取研究中。
注: 由于与PNAS的密切关系,PNAS Nexus将鼓励向PNAS提交手稿但手稿可能不适合PNAS的作者无缝地将手稿转移到PNAS Nexus。与PNAS不同,PNAS Nexus将没有特殊的院士提交渠道,也不会为院士提供特殊访问权限。副编辑和审阅编辑委员会(BoRE)横跨三院,包括各自领域的国家和国际专家。
该研究通讯作者Pedram Hassanzadeh表示:“这是第一个解释和指导使用深度神经网络处理复杂动力系统(如气候)的严格框架。它可以大大加快科学深度学习在气候科学中的应用,并带来更可靠的气候变化预测。”