This paper explores the method of using Machine Learning (ML) and Neural Networks (NN)as a tool for System Identification of world dynamics. Modeling world dynamics is a conceptthat helps in understanding our world further, which in turn can help us govern the worldtowards a sustainable future. However, previous methods of modeling have provedinadequate. With increasing computational power, data driven methods such as MachineLearning, have proven exceptional tools for estimating dynamical behaviours. In this project,a set of Neural Networks were trained to predict the behaviour of a simplified world dynamicssystem. The system predicted is a 1972 system dynamics model of the world, the\textit{World3} model. This resulted in multiple models with sufficient prediction accuracy,garnering fairly accurate predictions of the World3 model simulations. The concept ofJacobian analysis is used to analyse the NN models, allowing for drawing conclusions aboutthe original system. These two metrics validate the data driven techniques used as viablemethods of identifying complex world dynamics systems. With analysis of the results it ishypothesised that Neural Networks should prove a useful method for modeling worlddynamics.

Denna rapport undersöker metoden att använda maskininlärning (ML) och neurala nätverk(NN) som ett verktyg för systemidentifiering av världsdynamik. Modellering av världsdynamikär ett koncept som hjälper oss att förstå vår värld och vårt samhälle bättre, vilket i sin tur kanhjälpa oss att styra världen mot en hållbar framtid. Tidigare modelleringsmetoder har dockvisat sig vara otillräckliga. Med ökande datorkapacitet har datadrivna metoder, såsommaskininlärning, visat sig vara effektiva verktyg för att uppskatta dynamiska beteenden. Idetta projekt tränades en uppsättning neurala nätverk för att estimera beteendet hos ettförenklat system för världsdynamik. Systemet som estimeras är en systemdynamikmodellfrån 1972 av världen, \textit{World3}-modellen. Detta resulterade i flera modeller medtillräcklig noggrannhet av estimering, vilket gav relativt exakta förutsägelser av\textit{World3}-modellens simuleringar. Konceptet Jacobian-analys används för att analyseraNN-modellerna, vilket möjliggör slutsatser om det ursprungliga systemet. Dessa två metoderför bedömning validerar de datadrivna teknikerna som gångbara metoder för att identifierakomplexa dynamiska system som världen. Med analys av resultaten hypotiseras att neuralanätverk bör visa sig vara en användbar metod för att modellera världsdynamik.