İklim modellemesinde yapay zeka kullanımı hızla artarken, bu modellerin nasıl çalıştığını anlamak giderek zorlaşıyor. Yeni bir araştırma, bu soruna çözüm getiren 'veri odaklı entegrasyon çekirdekleri' adlı yenilikçi bir yöntem öneriyor.
Geleneksel makine öğrenmesi modelleri, farklı coğrafi konumlar, yükseklik seviyeleri ve zaman dilimlerinden gelen bilgileri son derece karmaşık şekillerde birleştiriyor. Bu durum tahmin başarısını artırsa da, modelin hangi faktörlere dayanarak karar verdiğini anlamayı zorlaştırıyor ve aşırı öğrenme riskini artırıyor.
Yeni yaklaşım, bu sorunu iki aşamalı bir süreçle çözüyor. İlk aşamada, öğrenilebilir çekirdekler kullanılarak uzamsal ve zamansal veriler entegre ediliyor. Bu çekirdekler, farklı konumlar, yükseklikler ve zaman dilimlerindeki bilgilere nasıl ağırlık verileceğini belirleyen sürekli fonksiyonlar olarak tanımlanıyor. İkinci aşamada ise, sadece bu entegre edilmiş özellikler üzerinde yerel doğrusal olmayan hesaplamalar yapılıyor.
Bu yapılandırma, karmaşık etkileşimleri sınırlı bir özellik kümesiyle sınırlandırarak modelin hem daha anlaşılır hem de daha güvenilir olmasını sağlıyor. Atmosfer ve okyanus bilimlerinde kullanılmak üzere geliştirilen bu yöntem, iklim tahminlerinin şeffaflığını artırmada önemli bir adım teşkil ediyor.