Упрощённые данные могут объяснить точность ИИ-прогнозов погоды

Авторы устроили проверку как эксперимент с одной переменной. Для прогноза модель получает состояние системы и учится оценивать следующий шаг; для «прогноза в прошлое» архитектура, данные, функция ошибки и обучение остаются теми же, но вход и цель меняют местами. Так можно выяснить, действительно ли модель уловила направление физических процессов или просто научилась связывать соседние состояния, как кадры в видео. Оказалось, что обратные предсказания возможны, но обычно хуже прямых. Это странно с точки зрения физики: в реальных необратимых процессах прошлое по настоящему восстановить полностью нельзя, а небольшие ошибки со временем растут — это и называют эффектом бабочки.

Затем авторы сравнили модели на трёх уровнях сложности: реальных атмосферных данных, климатической модели и системе Лоренца — математической задаче, специально созданной для изучения хаотической динамики. Во всех случаях меняли не саму нейросеть, а подробность обучающих данных. Когда из данных убирали быстрые мелкие изменения или отдельные переменные, модель теряла эффект бабочки и лучше предсказывала крупные, медленные процессы. Когда данные делали подробнее, поведение становилось ближе к физическому: появлялась разница между движением вперёд и назад во времени, но точность практического прогноза снижалась.

Авторы связывают это с тем, что физическая модель должна отслеживать быстрые ошибки, которые постепенно влияют на крупный масштаб, а нейросеть на упрощённых данных фактически учится усреднённому влиянию этих процессов. Поэтому она может дольше сохранять точный прогноз, не воспроизводя всю хаотичность исходной системы. Этот результат важен не только для погоды: он ставит вопрос о том, как проверять ИИ-модели климата на больших временных масштабах, если высокая точность ещё не означает полное сходство с физикой.