液態大腦遇見混沌天氣-用LSM預測降雨量
前言： 一個你我之間在台灣都習慣不過的問題，「今天天氣好嗎？會下雨嗎？我需要帶傘嗎？」天氣預報常被說不準確也常被戲稱為一場具備高度數學基礎的猜猜樂。在傳統的氣象學中學者們試圖用龐大且僵化的流體力學方程鎖定大氣層的每一個變化找出每一個因果關係，而現代的主流深度學習模型則企圖透過死記硬背海量的歷史雲圖來尋找規律。然而，這兩個方法在面對極度非線性且具備高度混沌特質的降雨動態時，往往顯得力不從心。於是就有人想到，與其要耗費巨量算力去精確計算一顆石頭丟進池塘後，每條漣漪的物理軌跡，我們是否能直接觀察池水如何波動，並從中讀取資訊呢？這正是印度學者們在一項最新研究中採用的反直覺策略：來自 2025 的論文《Application of Liquid State Machine for Accurate Rainfall Prediction》利用 Liquid State Machine（LSM）來預測古吉拉特邦的降雨量。這篇論文不僅是氣象預測技術的一次嘗試，更是計算神經科學與大自然混沌系統的初步對話。 圖一：LSM 預測降雨的情境(使用Gemini nanobanana 生成) 研究動機： 我們在處理時間序列數據時，通常會想到過往的 AI 模型如：長短期記憶網路（LSTM），雖然他的表現不俗，但其代價是極為高昂的計算成本。LSTM 為了捕捉時間軸上的長期依賴性，必須依賴隨時間反向傳播（BPTT）演算法。這種機制在數學上不僅顯得笨重，更與真實生物大腦的運作方式背道而馳。大腦在處理瞬息萬變的時空資訊時，並不會不斷回溯並微調每一個突觸的過往權重；相反地，大腦皮層高度依賴內部神經元網路的自然動態迴響（Reverberation）來保留短期記憶。如何在保留這種強大動態記憶能力的同時，擺脫傳統反向傳播帶來的龐大運算負擔，一直是理論人工智慧與神經形態運算領域難以突破的瓶頸。而 LSM 的引入，正是為了解決這個模型複雜度與運算效率之間的矛盾。 研究方法： 本研究整合了來自 NASA/POWER CERES/MERRA2 原生解析度每日數據 (Native Resolution Daily Data) 以及印度氣象局 (India Meteorological Department, IMD) 的歷史降水資料，建立了一個涵蓋超過一個世紀的時間序列數據集，將十種關鍵氣象變數作為輸入特徵，包含10公...
