拓扑形状研究风靡一时。你甚至可以说数据有具体形状,它是能够让你很舒服地熟悉概念。因此很有趣的是看到许多应用程序正在重新使用拓扑。例如,寻找天气和气候的常见模式。
有趣的是,寻找拓扑结构的关键动机是可解释性(可解释性)。有人可能会说,对于许多人来说,带有“AI”(人工智能,包括机器学习)的蜜月期已经结束。现在,我们听到有关可解释人工智能(XAI)的讨论。DARPA(国防高级研究计划局)研究人员表达的目标是产生更多可解释的模型,同时保持高水平的学习表现(预测准确性),使人类用户能够理解,适当地信任,有效管理新一代人工智能合作伙伴。
XAI的研究领域称为拓扑数据分析,它为我们提供了在形状方面将数据分析结果联系起来的机会。
极端天气
由于高性能计算,近年来天气预测变得更加准确和更加精确(本地化)。虽然对于大多数天气来说都是如此,但极端天气事件却远不如此。事实证明,极端天气,如雷暴,暴风雪,暴雨,干旱和飓风,预测比普通天气更具挑战性。更好地预测极端天气的直接和实际好处是显而易见的。此外,还有长期趋势需要考虑。在这种情况下,由于人类活动引起的极端天气事件的明显增压令人费解,这是气候科学中最年轻和最重要的分支之一。
天气与气候
科学家们清楚地谈到天气预报与气候预报。今天,两种类型的建模和预测使用不同的数学建模和计算机编程。造成差异的根本原因在于计算机资源的范围和速度不是无限的。如果我们拥有无限快速的计算机,那么天气和气候的模型就会趋同。事实上,我们距离很远,因此天气和气候模型在