Emulatore di Machine Learning Raggiunge Previsioni Oceaniche di 10-15 Giorni Utilizzando una Funzione di Perdita Consapevole delle Correlazioni

Un emulatore di machine learning adattato dall'architettura GraphCast dimostra capacità abili di previsione oceanica a medio raggio. Il sistema produce previsioni accurate per tempi di anticipo di 10-15 giorni utilizzando un passo temporale di 24 ore e una singola condizione iniziale, addestrato sul dataset UFS-Replay della NOAA senza metodi di addestramento autoregressivo. I ricercatori hanno implementato la distanza di Mahalanobis come funzione di perdita consapevole delle correlazioni che tiene esplicitamente conto delle correlazioni tra le tendenze delle variabili target, mostrando un miglioramento delle capacità di previsione rispetto agli approcci tradizionali dell'Errore Quadratico Medio. L'analisi della correlazione spaziale rivela che questa funzione di perdita agisce come un regolarizzatore statistico-dinamico per i processi oceanici lenti. L'emulatore esclusivamente oceanico opera con condizioni atmosferiche prescritte, basandosi sui precedenti successi nella previsione dello stato atmosferico attraverso tecniche di machine learning. Questa ricerca rappresenta un progresso significativo nell'applicazione dell'intelligenza artificiale alla previsione della dinamica oceanica globale.