تقدم العلوم المناخية تحديات مستمرة عند محاولة الكشف عن تأثيرات معلمات الفيزياء على المحاكاة المناخية. يعتبر نموذج التعلم التبايني (Contrastive Learning Model) خطوة جديدة نحو معالجة هذه المشكلة. يعكف الباحثون على تطوير نموذج يعكس البيانات المرتبطة بالغيوم والإشعاع الشهري، مما يمكنهم من رسم تمثيلات مشتركة توضح العلاقة بين معلمات المحاكاة المختلفة.

على مدار دراسة شاملة تضمنت نماذج من نسخة 6 من نموذج الغلاف الجوي المجتمعي (Community Atmosphere Model version 6 - CAM6)، التي تنطوي على 100 عضو، تم إجراء مقارنة بين نموذجين مختلفين: KK2000، وهو النموذج القياسي المعتمد، وTAU-ML، وهو نمذجة شبكة عصبية لنموذج الميكروفزياء.

أظهرت النتائج أن التمثيلات المدروسة تمكّن من الفصل بين النموذجين بدقة تزيد عن 94%، مع الحفاظ على التباين الموسمي والانتشار الناتج عن التغييرات في المعلمات. كما اكتشف الباحثون أن ملاحظاتهم عبر الأقمار الصناعية تحتل نفس الفضاء منخفض الأبعاد مثل نموذج المحاكاة، لكنها تبتعد بشكل أكبر خلال الربيع والخريف الشمالي.

بالإضافة إلى ذلك، يُظهر التحليل التكاملي لتقديرات التدرجات (Integrated Gradients Attributions) كيف تتميز الاستجابة في المناطق السحابية الاستوائية ونقاط العواصف في نصفي الكرة الأرضية، مما يساهم بشكل فعال في فهم الفروقات بين النماذج والملاحظات. تُبرز النتائج أهمية نماذج التعلم القابلة للتفسير في ربط الفروقات بين النماذج والمتغيرات المادية، وهي خطوة ضرورية لفهم أفضل لعلم المناخ.