解釋數據驅動湍流建模中遷移學習的物理原理，提升氣候預測能力！
2023-03-22 21:29:54 點擊：
原創 轉發
原標題：傅立葉變換揭示AI如何學習復雜物理
一項新的研究發現，傅立葉分析（Fourier Analysis）是一種已有200年歷史的數學技術，可以用來揭示深層神經網絡如何學習執行復雜物理任務（如氣候和湍流建模）的重要信息。這項研究突出了傅立葉分析作為深入了解人工智能內部運作的工具的潛力，可能對開發更有效的機器學習算法產生重大影響。
科學人工智能的"黑匣子"無法與200年前的方法匹敵
傅立葉變換揭示了神經網絡學習復雜物理的深度
一項新的研究表明，計算物理學中最古老的工具之一， 一種已有200年歷史的數學技術——傅立葉分析，能夠揭示一種叫做深度神經網絡的人工智能是如何學習執行復雜物理任務的關鍵信息，比如氣候和湍流建模。
萊斯大學機械工程研究人員的這一發現發表在《美國國家科學院院刊》(Proceedings of the National Academy of Sciences)的姊妹刊物《PNAS Nexus》上的一項開放獲取研究中。
注： 由于與PNAS的密切關系，PNAS Nexus將鼓勵向PNAS提交手稿但手稿可能不適合PNAS的作者無縫地將手稿轉移到PNAS Nexus。與PNAS不同，PNAS Nexus將沒有特殊的院士提交渠道，也不會為院士提供特殊訪問權限。副編輯和審閱編輯委員會（BoRE）橫跨三院，包括各自領域的國家和國際專家。
該研究通訊作者Pedram Hassanzadeh表示：“這是第一個解釋和指導使用深度神經網絡處理復雜動力系統(如氣候)的嚴格框架。它可以大大加快科學深度學習在氣候科學中的應用，并帶來更可靠的氣候變化預測�！�