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公尺高度的相對濕度 (Relative Humidity)、地表壓力 (Surface Pressure)、濕球溫度 (Wet Bulb Temperature)、以及地表的土壤濕度水平 (Soil Moisture Levels)、最高與最低溫度和最高風速，來預測降雨，如表二。而預測模型 LSM 的核心是一個由眾多Leaky Integrate-and-Fire（LIF）神經元隨機且稀疏相連所組成的儲層（Reservoir）接上簡單的線性讀出器 Ridge Regrssion做預測。當氣壓、濕度等氣象特徵如水滴般注入這個網路時，神經元群會產生此起彼落的脈衝，將低維度的輸入轉化為高維度的時空漣漪。研究人員並不去干涉或訓練這灘池水內部的波紋如何激盪，他們唯一做的，是在池畔架設一個讀出層，單純學習如何將這些複雜的波動狀態線性映射成具體的降雨預測值。 為了讓這本質上離散且不可微的脈衝訊號能被現代演算法優化，他們巧妙地引入了代理脈衝函數來建立數學上的梯度。實驗結果令人驚豔，這套系統以極低的均方根誤差（RMSE 0.61），輕易擊敗了傳統的卷積神經網路（2.19）與 LSTM（1.83），如表二。
表一：Gujarat region 資料集

表二：LSM 與現行常見的時間序列處理模型 CNN、LSTM 的 RMSE 比較

貢獻與啟發：
目前這項成果的可能比不過更準確的地方天氣預報。但是它向學界證明了，面對高度動態的自然系統時，這種借鑑大腦皮層微觀電路的神經形態演算法，或許與盲目堆疊矩陣乘法的深度學習模型相比更具優勢或是說可以忽相補足。當然，LSM 離完美與高精度還有一段很長的路要走。例如：研究顯示，模型在面對極端氣候的降雨峰值時仍顯得太過於保守（在目前的研究也經常發生），這暗示了隨機生成的儲層在應對劇烈非線性突變時的拓撲侷限性，未來或許需要引入更具結構性的神經可塑性機制或是設計 input neuron decoder 來調整模型的對應極值的能力。在過去，我們試圖用嚴謹的物理公式計算每個天氣漣漪的軌跡，如今我們學會了建立一個神經網路讓其自行波動。這不經讓我想說，會不會要預測大自然系統難以捉摸的性質時，最有效率的方式，就是用另一種同樣具備有隨機動態特質的「大腦」去感受它。

AI使用聲明：本文有透過 AI 翻譯與摘要，但內容與架構皆透過本人審視與編排


撰文：林祥吉


原始論文：
Patel, M. K., Darji, M., & Patel, B. (2025). Application of Liquid State Machine for accurate rainfall prediction. Procedia Computer Science, 258, 1554-1564.

留言

張貼留言