Машинное обучение самостоятельно открыло уравнения химии океана

Учёные проверили нестандартную гипотезу: способен ли алгоритм машинного обучения самостоятельно «открыть» научные уравнения, уже известные людям? Ответ оказался положительным, а заодно алгоритм нашёл кое-что новое. Исследование опубликовано в журнале Geophysical Research Letters.

Зачем учить машину тому, что уже известно

Задача по поиску уравнений из данных — так называемое символьное регрессионное открытие — активно развивается в последние годы. Идея проста: если алгоритм может восстановить из экспериментальных измерений математические формулы, то те же методы можно применять в областях, где уравнения ещё не известны или крайне сложны.

Океанская биогеохимия — наука о том, как химические вещества циклически перемещаются между живыми организмами, водой и морским дном, — именно такая область. Поведение питательных веществ и микроэлементов в толще воды определяется огромным числом взаимодействующих процессов, описать которые точными формулами очень трудно.

Ченгван Ван с коллегами решили проверить алгоритм на задаче с известным ответом: смогут ли методы машинного обучения воспроизвести уравнения, описывающие поведение коллоидного железа в океане?

Железо в океане — ключевой элемент климата

Железо — один из важнейших микроэлементов для морского планктона. Там, где его мало, фитопланктон не может активно размножаться, а значит, замедляется весь пищевой цикл океана и снижается его способность поглощать углекислый газ из атмосферы.

Коллоидное железо — это особая форма, занимающая промежуточное положение между растворённым и осевшим на частицы. Именно его превращения определяют, сколько железа останется доступным для организмов. Уравнения, описывающие эти процессы, были разработаны учёными на основе многолетних измерений в рамках международной программы GEOTRACES.

Что сделал алгоритм

Алгоритм получил разреженный — то есть неполный и охватывающий не все океанские бассейны — набор данных и самостоятельно вывел уравнения. Результаты оказались сопоставимы по точности с оригинальными формулами. При этом алгоритм выделил закономерности в имеющихся данных, которые указывают на пробелы в наблюдениях: в частности, недостаток измерений по всей толще воды и нехватку данных из недостаточно изученных океанских бассейнов.

Практические выводы из работы:

• Машинное обучение способно восстанавливать сложные физико-химические уравнения из реальных данных
• Алгоритм одновременно диагностирует, каких данных не хватает для более точного описания системы
• Метод можно применять к другим биогеохимическим процессам, уравнения которых ещё не установлены
• Открытый исследователями подход масштабируется на всю систему Мирового океана
• Учёные, располагающие неопубликованными данными об железе из рейсов GEOTRACES, могут существенно улучшить модели, поделившись ими

Перспективы

Возможность автоматически «открывать» математические законы из данных меняет стратегию океанографических исследований. Вместо того чтобы формулировать гипотезу, проверять её и вручную подбирать параметры — можно получить из данных первичное уравнение и уже затем разбираться в его физическом смысле.

Читайте также по теме: применении ИИ в научных расчётах.

Для климатической науки это особенно важно: точные модели биогеохимических циклов океана необходимы для предсказания, как изменение климата повлияет на способность океана поглощать CO₂ и тем самым замедлять глобальное потепление. Океан сегодня поглощает около 25% всех выбросов углекислого газа, и то, как изменится это число через 50 лет, во многом зависит от точности именно таких уравнений.