Yapay zeka destekli hava tahmin sistemleri günümüzde oldukça başarılı sonuçlar üretse de, bu modellerin atmosferik olayları nasıl algıladığı ve işlediği büyük ölçüde gizemli kalıyordu. Bu sorunu çözmek için araştırmacılar, KAN-SAE adlı yenilikçi bir sistem geliştirdi.
Geleneksel Seyrek Otokodlayıcılar (SAE), iklim verilerinin analizinde doğrusal özellik üst üste binmesi prensibiyle çalışır. Ancak bu yaklaşım, atmosferin son derece karmaşık ve doğrusal olmayan dinamikleri için yetersiz kalır. KAN-SAE, bu sınırı aşmak için Kolmogorov-Arnold Ağlarından ilham alarak, her özellik boyutunun kendi benzersiz doğrusal olmayan aktivasyon profilini geliştirmesine olanak tanır.
Sonny hava modelinde yapılan testlerde KAN-SAE, geleneksel yöntemlerin 566 özelliğine karşılık 975 'canlı' özellik keşfetti - bu %72'lik bir artış anlamına geliyor. Aynı zamanda özellikler arası gereksiz tekrarları %20 oranında azaltırken, yeniden yapılandırma kalitesini korudu.
Bu gelişme, sadece teknik bir ilerleme değil; iklim bilimcilerin yapay zeka modellerinin 'düşünce süreçlerini' anlayabilmesinin önünü açıyor. Böylelikle hem daha güvenilir tahminler hem de atmosfer dinamiklerine dair daha derin kavrayış elde edilebilir.