Machine-Guided Discovery of a Real-World Rogue Wave Model

大数据和大规模机器学习对科学和工程产生了深远的影响，尤其是在预测和预测方面。然而，我们仍然不清楚如何利用机器学习模型的优越模式匹配能力进行科学发现。这是因为机器学习和科学的目标通常不一致。科学理论除了准确外，还必须与基础物理过程具有因果一致性，并允许人类分析、推理和操纵来推动该领域的发展。本文提出了一个案例研究，利用因果分析、深度学习、简洁导向的模型选择和符号回归，从数据中发现了一种新的海洋罕见巨浪的符号模型。我们在大量来自波浪浮标的观测数据集上训练人工神经网络，选择预测性能和因果不变性。我们应用符号回归将这个黑盒模型提炼成一个数学方程，保留了神经网络的预测能力，同时允许在现有波浪理论的背景下进行解释。结果模型重现了已知行为，生成了良好的概率校准，并在未见过的数据上实现了更好的预测得分，展示了机器学习如何促进归纳科学发现，并为更准确的罕见巨浪预测铺平了道路。

如何使用机器学习模型进行科学发现？本文以发现海洋罕见巨浪的符号模型为例，探索机器学习在科学发现中的应用。

通过使用因果分析、深度学习、简洁性导向的模型选择和符号回归，将人工神经网络训练的黑盒模型转化为数学方程，从而发现新的海洋罕见巨浪符号模型。

本文的亮点包括使用因果分析、深度学习和符号回归相结合的方法，以及将黑盒模型转化为可解释的数学方程。实验使用了大量的波浪观测数据集，并且开源了代码。这项工作为更准确的罕见巨浪预测铺平了道路。

近期的相关研究包括使用深度学习模型进行海洋波浪预测的研究，如基于卷积神经网络的海浪高度预测（Convolutional Neural Network-based Wave Height Prediction）等。