مارکوس رایش‌اشتین مدیر عامل موسسه ماکس پلانک و نویسنده ارشد این مطالعه گفت: توسط طیف وسیعی از حسگرها، اطلاعاتی از داده‌های سیستم زمین به دست آمده است، اما تاکنون ما آنها را مورد تجزیه و تحلیل قرار نداده‌ایم و اکنون زمانی است که تکنیک‌های یادگیری عمیق، فراتر از برنامه‌های کاربردی یادگیری ماشینی کلاسیک مانند تشخیص تصویر، پردازش زبان طبیعی یا برنامه رایانه‌ای «آلفاگو» (AlphaGo) در این مورد عمل خواهند کرد. با این حال، روش‌های یادگیری عمیق دشوار هستند. تمام داده‌ها و رویکردهای آماری هماهنگی فیزیکی را تضمین نمی‌کنند و به شدت وابسته به کیفیت داده‌ها هستند. علاوه بر این، نیاز به پردازش اطلاعات و ظرفیت ذخیره‌سازی بسیار بالا است. این نشریه تمام این الزامات و موانع را مورد بحث و استراتژی قرار می‌دهد تا به‌طور موثر آموزش ماشینی را با مدلسازی فیزیکی ترکیب کند. اگر هر دو تکنیک با هم جمع شوند، مدل‌های ترکیبی ایجاد می‌شوند. برای مثال، از آنها می‌توان برای مدلسازی حرکت آب اقیانوس به منظور پیش‌بینی دمای سطح دریا استفاده کرد و در حالی که درجه حرارت از لحاظ فیزیکی مدل‌سازی شده است، جنبش آب اقیانوس با یک روش یادگیری ماشینی نمایش داده می‌شود.