Strojové učenie znovu odvodilo rovnice, ktoré opisujú železo v oceáne

Vedci ukázali, že strojové učenie dokáže z pomerne riedkych dát znovu odvodiť rovnice, ktoré opisujú správanie koloidného železa v oceáne. V teste na oceánskom biogeochemickom modeli vytvorilo vzťahy, ktoré fungovali porovnateľne s pôvodnými rovnicami, no zároveň boli jednoduchšie a priniesli aj nové poznatky o tom, ako sa železo v mori pohybuje a kde sa oplatí lepšie merať.

Machine Learning Rediscovers Equations Governing Ocean Biogeochemistry.

Zdroj: https://eos.org/research-spotlights/machine-learning-rediscovers-equations-governing-ocean-biogeochemistry

Klimatické a oceánske modely stoja na sústavách rovníc, ktoré majú zachytiť veľmi zložité prírodné procesy. Problém je, že tieto rovnice často vznikajú z obmedzených pozorovaní a viacerých predpokladov. Práve preto sa výskumníci čoraz viac pozerajú na strojové učenie ako na nástroj, ktorý by mohol hľadať matematické vzťahy priamo v dátach.

Autori práce publikovanej v Geophysical Research Letters sa zamerali na otázku, či takýto prístup naozaj funguje aj pri objavovaní rovníc. Ako skúšobné pole si vybrali oceánsky biogeochemický model a sledovali, či sa pomocou strojového učenia podarí znovu vytvoriť známe rovnice, ktoré riadia koloidné železo. To je dôležitá súčasť oceánskeho kolobehu železa.

Použitá metóda sa nazýva symbolická regresia. Namiesto toho, aby model iba predpovedal výsledok, začína od matematických operátorov a skúša z nich poskladať rovnice, ktoré najlepšie zodpovedajú konkrétnym dátam. Týmto postupom výskumníci odvodili šesticu rovníc opisujúcich správanie koloidného železa v oceánoch.

Nové rovnice sa od známych modelových vzťahov líšili, no podľa autorov rovnako dobre reprodukovali veľkopriestorové vzorce. Zároveň boli funkčne jednoduchšie. To je dôležité najmä preto, že jednoduchší matematický opis sa ľahšie testuje, porovnáva a upravuje, keď pribudnú nové merania.

Práca priniesla aj konkrétne poznatky o samotnom kolobehu železa. V odvodených rovniciach sa napríklad neobjavila salinita, pravdepodobne preto, že sa v oceáne veľmi nemení. Výsledky tiež naznačili, že odber vzoriek naprieč celým vodným stĺpcom poskytuje lepšie výsledky než merania iba v určitých hĺbkach.

Autori zároveň ukázali, že rovnice odvodené z riedkych dát môžu byť odolné, ak sa koloidné železo meria tam, kde už existujú vzorky rozpusteného železa. Podľa nich to zároveň odhaľuje medzeru v dnešných dátach: budúce kampane by mali zachytávať koloidné železo v celom vodnom stĺpci a rozšíriť pokrytie oceánskych paniev, ktoré sú zatiaľ slabo vzorkované. Výskumníci tiež upozorňujú, že tomuto úsiliu by pomohlo zdieľanie nepublikovaných údajov o špeciácii železa z plavieb GEOTRACES.

V praktickej rovine to znamená, že strojové učenie nemusí slúžiť len na „čierne skrinky“ s predpoveďami. V tomto prípade pomohlo získať priamo matematické rovnice, ktoré sa dajú interpretovať a porovnať s tým, čo už vedci o oceáne vedia. Podľa autorov ide o krok k overeniu, že objavovanie rovníc pomocou strojového učenia by sa dalo použiť aj pri iných zložitých procesoch v reálnom svete.

Prečo je koloidné železo v oceáne dôležité

Železo patrí medzi stopové prvky, ktoré môžu ovplyvňovať fungovanie morských ekosystémov aj chemické procesy v oceáne. Koloidné železo tvorí veľmi jemná suspendovaná forma železa, a práve preto môže byť jeho správanie ťažké presne zachytiť. Všeobecne platí, že ak chcú vedci lepšie rozumieť oceánskej biogeochémii, potrebujú vedieť nielen koľko železa sa v mori nachádza, ale aj v akej forme sa vyskytuje a ako sa presúva medzi rôznymi časťami vodného prostredia.

Snímka zobrazuje: Machine Learning Rediscovers Equations Governing Ocean Biogeochemistry.

Zdroj: https://eos.org/research-spotlights/machine-learning-rediscovers-equations-governing-ocean-biogeochemistry

Ako funguje symbolická regresia

Na rozdiel od mnohých bežných prístupov strojového učenia sa symbolická regresia nesnaží iba nájsť čo najpresnejšiu predikciu. Jej cieľom je zostaviť samotnú rovnicu. Pracuje s matematickými operáciami a z nich skladá kandidátne vzťahy, ktoré potom porovnáva s dátami. Výhodou je, že výsledok môže byť pre vedcov čitateľný a fyzikálne alebo chemicky interpretovateľný. Táto štúdia preto nie je len testom presnosti výpočtu, ale aj testom toho, či sa dá z dát získať zmysluplný opis procesu.

Snímka zobrazuje: Over a dark blue-green square appear the words Special Report: The State of the Science 1 Year On.

Zdroj: https://eos.org/research-spotlights/machine-learning-rediscovers-equations-governing-ocean-biogeochemistry

Čo výsledok hovorí o dátach z oceánu

Jedným z najužitočnejších zistení je, že samotný postup odhalil vlastnosti dát, s ktorými pracoval. Ak sa v nových rovniciach neobjavila salinita, neznamená to automaticky, že nikdy nehrá žiadnu úlohu. V tomto prípade však autori vysvetľujú, že v oceáne sa veľmi nemení, a preto zrejme nebola potrebná na dobrý opis sledovaného správania. Podobne aj rozdiel medzi meraniami z konkrétnych hĺbok a meraniami cez celý vodný stĺpec ukazuje, že spôsob zberu dát môže výrazne ovplyvniť, aké rovnice sa vôbec podarí odvodiť.

Prečo na tom záleží pre modely aj terénny výskum

Ak sa podarí spoľahlivo odvodiť jednoduchšie rovnice, môže to pomôcť pri stavbe a kontrole rozsiahlych oceánskych a klimatických modelov. Takéto modely musia opisovať množstvo prepojených procesov a každé zlepšenie v ich matematickom základe je cenné. Rovnako dôležitý je však aj odkaz pre terénny výskum: kvalitné a vhodne rozložené merania sú rozhodujúce. Štúdia tak nepriamo ukazuje, že rozvoj výpočtových metód a plánovanie odberov vzoriek musia ísť ruka v ruke.

Čo zostáva otvorené a čo bude nasledovať

Autori opisujú svoj výsledok ako krok k overeniu použiteľnosti objavovania rovníc pri zložitých prírodných procesoch, nie ako definitívne vyriešenie problému. Strojové učenie v tejto oblasti ešte neprešlo úplným testovaním a jeho limity stále nie sú úplne známe. Ďalší postup si podľa štúdie vyžiada najmä viac údajov o koloidnom železe, lepšie pokrytie slabo vzorkovaných oceánskych oblastí a širšie zdieľanie dostupných dát. Práve na takomto základe sa ukáže, do akej miery bude možné podobné prístupy preniesť aj na ďalšie zložité systémy mimo tohto konkrétneho modelu.

Zdroj: Eos

Pôvodný článok: https://eos.org/research-spotlights/machine-learning-rediscovers-equations-governing-ocean-biogeochemistry