ترجمه فارسی مقاله یادگیری ماشین برای فیزیک آب و هوا

چکیده

An exponential growth in computing power, which has brought more sophisticated and higher resolution simulations of the climate system, and an exponential increase in observations since the first weather satellite was put in orbit, are revolutionizing climate science. Big data and associated algorithms, coalesced under the field of Machine Learning (ML), offer the opportunity to study the physics of the climate system in ways, and with an amount of detail, infeasible few years ago. The inference provided by ML has allowed to ask causal questions and improve prediction skills beyond classical barriers. Furthermore, when paired with modeling experiments or robust research in model parameterizations, ML is accelerating computations, increasing accuracy and allowing for generating very large ensembles at a fraction of the cost. In light of the urgency imposed by climate change and the rapidly growing role of ML, we review its broader accomplishments in climate physics. Decades long standing problems in observational data reconstruction, representation of sub-grid scale phenomena and climate (and weather) prediction are being tackled with new and justified optimism. Ultimately, this review aims at providing a perspective on the benefits and major challenges of exploiting ML in studying complex systems.

چکیده به فارسی (ترجمه ماشینی)

رشد نمایی در قدرت محاسبات ، که شبیه سازی های پیچیده تر و بالاتری از سیستم آب و هوایی را به همراه داشته است و افزایش نمایی در مشاهدات از زمان قرار گرفتن در اولین ماهواره آب و هوا در مدار ، باعث انقلابی در علم آب و هوا می شود.داده های بزرگ و الگوریتم های مرتبط ، که در زیر زمینه یادگیری ماشین (ML) به هم پیوسته اند ، فرصتی را برای مطالعه فیزیک سیستم آب و هوا به روش ها و با مقدار جزئیات ، چند سال پیش غیرقابل تحمل ارائه می دهند.استنباط ارائه شده توسط ML اجازه داده است سؤالات علی را مطرح کند و مهارت های پیش بینی را فراتر از موانع کلاسیک بهبود بخشد.علاوه بر این ، هنگامی که با آزمایش های مدل سازی یا تحقیقات قوی در پارامترهای مدل جفت می شود ، ML در حال تسریع در محاسبات ، افزایش دقت و تولید مجموعه های بسیار بزرگ در کسری از هزینه است.با توجه به فوریت تحمیل شده توسط تغییرات آب و هوایی و نقش به سرعت در حال رشد ML ، ما دستاوردهای گسترده تر آن را در فیزیک آب و هوا مرور می کنیم.مشکلات طولانی مدت در بازسازی داده های مشاهده ای ، بازنمایی پدیده های مقیاس زیر شبکه و پیش بینی آب و هوا (و آب و هوا) با خوش بینی جدید و توجیهی مقابله می شود.در نهایت ، این بررسی با هدف ارائه چشم انداز در مورد مزایا و چالش های اصلی بهره برداری از ML در مطالعه سیستم های پیچیده انجام می شود.