Robust quantification of predictive uncertainty is a critical addition needed for machine learning applied to
weather and climate problems to improve the understanding of what is driving prediction sensitivity. Ensembles of ma-
chine learning models provide predictive uncertainty estimates in a conceptually simple way but require multiple models
for training and prediction, increasing computational cost and latency. Parametric deep learning can estimate uncertainty
with one model by predicting the parameters of a probability distribution but does not account for epistemic uncertainty.
Evidential deep learning, a technique that extends parametric deep learning to higher-order distributions, can account for
both aleatoric and epistemic uncertainties with one model. This study compares the uncertainty derived from evidential
neural networks to that obtained from ensembles. Through applications of the classification of winter precipitation type
and regression of surface-layer fluxes, we show evidential deep learning models attaining predictive accuracy rivaling stan-
dard methods while robustly quantifying both sources of uncertainty. We evaluate the uncertainty in terms of how well the
predictions are calibrated and how well the uncertainty correlates with prediction error. Analyses of uncertainty in the
context of the inputs reveal sensitivities to underlying meteorological processes, facilitating interpretation of the models.
The conceptual simplicity, interpretability, and computational efficiency of evidential neural networks make them highly
extensible, offering a promising approach for reliable and practical uncertainty quantification in Earth system science
modeling. To encourage broader adoption of evidential deep learning, we have developed a new Python package, Machine
Integration and Learning for Earth Systems (MILES) group Generalized Uncertainty for Earth System Science (GUESS)
(MILES-GUESS) (https://github.com/ai2es/miles-guess), that enables users to train and evaluate both evidential
Обсуждаются перспективы развития фотоники, показана значимость и актуальность проведения
исследований в данной области. Раскрыт потенциал, которым обладает фотоника при ответе на
социально-экономические вызовы цифровой трансформации. Продемонстрированы возможности,
открывающиеся при внедрении устройств на основе фотоники в различных технических системах,
предназначенных для повышения безопасности среды обитания и качества жизни человека. Рас-
смотрены структуры и устройства на базе фотоники для таких ключевых приложений как спек-
троскопия, аналоговые оптические вычисления, оптические нейронные сети. Указаны возможные
приложения фотонных сенсоров и спектрометров нового типа, раскрыты их назначение и конку-
рентные преимущества. Рассмотрены сверхточные компактные фотонные спектрометры различ-
ных конфигураций. Обсуждаются преимущества аналоговых вычислителей перед традиционными
электронными устройствами. Рассмотрены структуры нанофотоники, предназначенные для вы-
числения дифференциальных и интегральных операторов, показаны решения для задачи выделе-
ния контуров на изображении. Проанализирована концепция реализации искусственного интел-
лекта на платформе фотоники в виде оптических нейронных сетей. Рассмотрены структуры, со-
стоящие из последовательности дифракционных элементов и основанные на принципе Гюйгенса-
Френеля, а также структуры, состоящие из волноводов, взаимодействующих по принципу интерферометров Маха-Цендера. Приведена оценка мирового рынка фотоники, которая показывает, что
фотоника прочно займѐт своѐ место в индустрии будущего
