机器学习 是人工智能领域中非常特别的一种模式。通过应用旨在从经验中学习的算法，机器学习（ML）随着时间推移而不断增加的数据来适应和提高效率。ML驱动的程序从错误中进行“学习”，这样做可以将分析海量数据的时间从以年为单位缩短到几分钟。
刚入职南加州大学的两位教职人员Melissa Guzman和Sam Silva，因为使用机器学习来探索看似不可知的领域---自然世界的模式而备受关注。Guzman在探索我们最重要传粉媒介---蜜蜂的迁徙趋势，以及蜂群的构成。Silva则在研究云的化学成分。两人最近获得了南加州大学Wrigley环境研究所教师创新奖，利用他们的专业知识来开发应对环境挑战的解决方案。
(Photos/Courtesy of Melissa Guzman and Sam Silva)
气候变化影响蜜蜂迁徙模式以及蜂群形成
AI和科学应该如何提供帮助
加州拥有北美最多种类和数量的蜜蜂。它们是最活跃的传粉媒介---从你的后花园到农业经营场所的一切都属于它们生态系统中的一部分。
通过使用文献记录，社区科学应用程序和来自物种研究的数据，Guzman确定了分布模式和蜂群构成的趋势。她认为即使有这些资源，得到的数据也并不完美---这些信息通常具备片面性和地域性特征。
进入机器学习后，Guzman利用工具来加速数据提炼过程。数据库常常包含错误和不完整的信息，而错误的物种名称日期和地点会影响整个研究。通过引入专家来分析和纠正错误，研究人员可以将这些知识应用于数据库，并允许机器学习工具分离和纠正不正确的数据点。
AI和科学：
高级计算帮助更准确快捷的气候模型搭建
即使种种原因使得洛杉矶空气质量享有盛名，对于南加大Dornsife文理学院地球科学助理教授Silva来说，这非常适合他的研究：分析大气的化学成分。
Silva将云描述为“我们对物理气候的理解中最大的不确定性”，因为它们复杂地混合了物理（风速和风向）和化学（各种分子在大气中混合）。由于它们在将阳光反射回太空和全球水文循环中所起的作用，了解它们的行为很重要。正确测量它们的位置、亮度和持续时间对于正确理解和预测它们的行动至关重要。
“我们认为参数的局限性可能是云和气候模型如此不确定的原因之一。我们将在这个项目中做的是使用机器学习来加速这个非常缓慢的过程，让我们从模型中获得极高的准确性，而无需相关的计算成本。我们希望能够更好、更快地进行气候预测，同时还能识别有趣的数据，对激发未来研究产生潜在影响。”
---南加大Dornsife学院
地球科学助理教授
Silva
Guzman博士和Silva博士都在运用新型计算工具来解决复杂的环境问题，他们的项目不仅为气候和生物多样性的新科学知识的产生做好了准备，也为决策者提供了关于世界变化趋势和可行解决方案的新视角。
