هوش مصنوعی زمان و مکان باران را پیش بینی می کند

شرکت DeepMind - دیپ‌مایند با همکاری هواشناسی انگلستان مدلی را برای بهبود پیش‌بینی‌های کوتاه‌مدت آب‌و‌هوایی ساخته است.

شرکت هوش مصنوعی DeepMind مستقر در لندن با استفاده از یادگیری عمیق برای مشکلات علم سخت به کار خود ادامه می دهد، در ابتدا پروتئین تاشو، و اکنون پیش بینی آب و هوا!
DeepMind با Met Office ، سرویس ملی آب و هوا در بریتانیا ، ابزاری را برای یادگیری عمیق به نام DGMR توسعه داده است که می تواند احتمال بارندگی را در 90 دقیقه آینده به طور دقیق پیش بینی کند، این موضوع یکی از سخت ترین چالش های پیش بینی آب و هوا محسوب میشود.
ده ها متخصص پیش بینی های DGMR را در بین عوامل مختلف، از جمله پیش بینی های مکان، وسعت، حرکت و شدت باران در 89 درصد مواقع ، بهترین پیش بینی کردند. نتایج این برسی در مجله Nature منتشر شده است.
یکی از دستاوردهای اخیر دیپ‌مایند AlphaFold بود که می‌تواند مسئله مهم زیست‌شناسی‌ای را حل کند که مدت‌ها ذهن دانشمندان را به خود مشغول کرده بود. دستاورد جدید این شرکت در زمینه پیش‌بینی آب‌و‌هوا هم اهمیت زیادی دارد.
پیش بینی باران، به ویژه باران شدید، برای بسیاری از صنایع، از رویدادهای در فضای باز گرفته تا هوانوردی تا خدمات اورژانسی، بسیار مهم است. اما خوب پیش بینی دقیق آن کار سختی است. تعیین مقدار آب در آسمان، و زمان و مکان سقوط آن بستگی به تعدادی از فرایندهای آب و هوایی، مانند تغییرات دما، تشکیل ابر و باد دارد. همه این عوامل به خودی خود به اندازه کافی پیچیده هستند، اما وقتی با هم ترکیب شوند حتی پیچیده تر می شوند.
بهترین تکنیک های پیش بینی موجود از شبیه سازی های رایانه ای عظیم فیزیک جوی استفاده می شود. اینها برای پیش بینی بلندمدت خوب عملکرد خوبی دارند، اما در پیش بینی آنچه در یک ساعت آینده یا بیشتر اتفاق می افتد ، که به عنوان Nowcasting شناخته می شود ، کمتر خوب عمل می کنند. روش‌های یادگیری عمیقی در گذشته توسعه یافته‌اند؛ اما این روش‌ها، تنها در یکی از معیارها مثل پیش‌بینی موقعیت آب‌وهوایی برتری داشتند، نه تمام معیارها.

گرگ کاربین، رئیس عملیات پیش بینی در مرکز پیش بینی آب و هوا NOAA در ایالات متحده، که در این کار مشارکت نداشت ، می گوید: "پیش بینی بارش همچنان یک چالش اساسی برای هواشناسان است."
تیم DeepMind هوش مصنوعی خود را در مورد داده های رادار آموزش داده است. بسیاری از کشورها در طول روز اندازه گیری های راداری عکس های مکرر منتشر می کنند که تشکیل و حرکت ابرها را ردیابی می کند. برای مثال، هر پنج دقیقه یک بار قرائت جدیدی منتشر می‌شود. کنار‌هم‌گذاشتن این تصاویر باعث تولید ویدئو استاپ‌موشن به‌روز می‌شود که حرکت‌ الگوهای بارش را در کل کشور نشان می‌دهند و شباهت زیادی به پیش‌بینی‌های بصری تلویزیونی دارند.
محققان این داده ها را به یک شبکه تولیدی عمیق، شبیه به شبکه GAN( نوعی از هوش مصنوعی که برای تولید نمونه های جدید داده ها بسیار شبیه به داده های واقعی آموزش داده شده است )، تغذیه کردند. GAN ها برای ایجاد چهره های جعلی، حتی Rembrandts جعلی استفاده شده است. در این مورد، DGMR (که مخفف "مدل مولد بارندگی عمیق" است) یاد گرفت که عکس های راداری جعلی ایجاد کند که دنباله اندازه گیری های واقعی را ادامه می دهد. شاکر محمد ، سرپرست تحقیق در DeepMind ، می گوید «این همان ایده ای است که می توانید چند فریم از یک فیلم را ببینید و حدس بزنید که آینده چه خواهد بود.»
برای آزمایش این رویکرد، تیم از 56 پیش بینی هواشناسی در مت آفیس (که در کار دیگر دخیل نبودند) خواستند در مقایسه کورکورانه با پیش بینی های یک شبیه سازی فیزیک پیشرفته و یک رقیب عمیق ، به DGMR با ابزارهای دقیق امتیاز دهند. ؛ 89 گفتند که نتایج ارائه شده توسط DGMR را ترجیح می دهند.
نایل روبینسون ، سرپرست مشارکت و نوآوری محصول در مت آفیس، که از این مطالعه حمایت می کند ، می گوید: «الگوریتم های یادگیری ماشین به طور کلی سعی می کنند یک معیار ساده برای پیش بینی خوب آن بهینه سازی کنند، با این حال، پیش بینی آب و هوا می تواند از جهات مختلف خوب یا بد باشد. شاید یک پیش بینی بارش را در مکان مناسب اما با شدت اشتباه دریافت کند، یا یک پیش بینی دیگر ترکیبی از شدت ها را در مکان های اشتباه دریافت کند و غیره. ما در این تحقیق تلاش زیادی کردیم تا الگوریتم خود را در برابر مجموعه وسیعی از معیارها ارزیابی کنیم. »
همکاری DeepMind با Met Office نمونه خوبی از توسعه هوش مصنوعی است که با همکاری کاربر نهایی انجام شده است، چیزی که به نظر می رسد ایده خوبی است اما اغلب اتفاق نمی افتد. این تیم چندین سال روی پروژه کار کرد و نظرات کارشناسان مت آفیس این پروژه را شکل داد. سومان راوری ، دانشمند تحقیق در DeepMind می گوید: « داده‌ها توسعه مدل ما را به راهی متفاوت سوق دادند؛ در‌غیر‌این‌صورت، ممکن است با مدلی غیرکاربردی روبه‌رو شویم.. »
DeepMind همچنین مشتاق است نشان دهد که هوش مصنوعی آن کاربردهای عملی دارد. شاید بزرگترین نتیجه و دستاورد دیپ مایند این باشد که DeepMind بالاخره شروع به فهرست بندی مشکلات علمی در دنیای واقعی کند.

های فن تک از شما دعوت می کند نظرات خود را در مورد این مقاله به اشتراک بگذارید.