ИИ и сложнейшие проблемы мира · Науки о Земле и климате · arXiv · 2026-10-20
Интерпретируемость ИИ-моделей погоды посредством промежуточного декодирования
Оригинальное название: Interpretability of AI weather models via intermediate decoding
Модели погоды на основе ИИ трудно интерпретировать, поскольку их внутренние представления не имеют физического смысла. Авторы декодируют промежуточные латентные состояния обратно в метеорологические поля, используя аффинные преобразования для согласования их с входным пространством декодера. Применение метода к GraphCast, Aurora и ArchesWeather показывает, что точность прогноза постепенно растёт по мере прохождения через слои процессора. Модели также уточняют прогнозы от грубых пространственных масштабов к мелким, а энкодер-декодер играет существенную роль в построении прогноза.