Yapay zeka modelleri iklim biliminin her köşesine sızarken, temel bir soru yanıtsız kalmaya devam ediyordu: Bu modeller iklimin gerçek değişkenlik kalıplarını doğru öğreniyor mu, yoksa sadece yüzeysel örüntüleri mi taklit ediyor? Yeni yayımlanan bir çalışma, bu soruyu özellikle difüzyon modelleri ve ENSO özelinde ele alarak çarpıcı bulgular sunuyor.
Araştırmacılar, gerçek gözlem verisinin karmaşık ve iç içe geçmiş yapısından kaçınmak için zekice bir yol seçti: Bilinen matematiksel özelliklere sahip Doğrusal Ters Modeller (LIM) ile üretilmiş sentetik tropikal Pasifik deniz yüzey sıcaklığı (SST) alanları kullandılar. Böylece modelin neyi öğrenmesi gerektiği tam olarak biliniyordu ve öğrenilen yapı doğruca denetlenebiliyordu.
Sonuçlar hem umut verici hem de uyarıcı nitelikte. Yeterli eğitim verisi sağlandığında difüzyon modeli, ENSO'nun Doğu Pasifik ile Orta Pasifik arasındaki karakteristik asimetrisi de dahil olmak üzere iklimin düşük boyutlu yapısını başarıyla yakalayabiliyor. Ancak veri miktarı azaldığında tablo değişiyor.
Yapılan ablasyon deneyleri, mevcut ERSSTv5 gözlem veri setindeki yaklaşık 700 aylık kaydın, modelin doğru yakınsaması için gereken 7.000 örneğin çok gerisinde kaldığını açıkça gösterdi. Üstelik tüm difüzyon parametrizasyonları bu yetersizlik karşısında eşit performans sergilemiyor; bazıları düşük boyutlu yapıyı hiç yakalayamıyor.
Bu veri uçurumunu kapatmak için araştırmacılar transfer öğrenmesine başvurdu. Model önce CMIP6 iklim simülasyonlarının zengin verisiyle eğitildi, her iklim modeli için öğrenilebilir bir gömme vektörü tanımlandı; ardından bu bilgi birikimi sınırlı gözlem verisiyle ince ayar yapılarak gerçek dünyaya aktarıldı. Bu hibrit strateji, veri açığını etkin biçimde kapattı.
Çalışmanın önemi, yalnızca teknik bir metodoloji önerisiyle sınırlı değil. Araştırma, iklim yapay zekası alanında sıklıkla göz ardı edilen bir gerçeği sayısal olarak belgeliyor: On yıllar öncesine dayanan gözlem kayıtları, modern derin öğrenme modellerini beslemek için yetersiz kalabilir. Transfer öğrenmesi ve fizik temelli ön eğitim bu açığı kapatmanın en umut verici yolu olarak öne çıkıyor.