هوش مصنوعی دیپ مایند می‌تواند وضعیت آب‌وهوا را با دقت زیادی پیش‌بینی کند

هوش مصنوعی دیپ مایند می‌تواند وضعیت آب‌وهوا را با دقت زیادی پیش‌بینی کند

شرکت DeepMind با همکاریِ کارشناسان پیش‌بینی آب‌و‌هوا مدلی برای بهبود پیش‌بینی‌های کوتاه‌مدت آب‌و‌هوایی ساختند.

در ابتدا تاخوردگی پروتئینی و حالا پیش‌بینی آب‌و‌هوا؛ شرکت هوش مصنوعی دیپ‌مایند مستقر در بریتانیا همچنان به پیاده‌سازی یادگیری عمیق بر مسائل دشوار علمی ادامه می‌دهد. دیپ‌مایند با همکاریِ Met Office، سرویس ملی آب‌وهوای بریتانیا، دست به توسعه ابزاری به نام DGMR زده است. این ابزار می‌تواند احتمال بارش باران در ۹۰ دقیقه آینده را دقیقا پیش‌بینی کند که یکی از مشکلات دشوار پیش‌بینی آب‌وهوایی است.

کارشناسان پیش‌بینی‌های DGMR را با ابزارهای موجود مقایسه کردند. بر‌‌اساس نتایج، DGMR در ۸۹ درصد مواقع در معیارهایی مثل پیش‌بینی موقعیت مکانی، وسعت، حرکت و شدت بارش عملکرد بهتری دارد. نتایج این بررسی در مجله Nature منتشر شدند. 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.

پیش‌بینی آب‌و‌هوا، به‌ویژه باران‌های شدید، برای بسیاری از صنایع از رویدادهای فضای باز تا هوانوردی و خدمات اورژانسی ضروری است؛ اما پیش‌بینی دقیق کار دشواری است. محاسبه مقدار آب موجود در آسمان و زمان و مکان بارش به فرایندهای مختلف آب‌وهوایی مثل تغییرات دما و تشکیل ابرها و باد وابسته است. تمام این معیارها به‌خودیِ‌خود پیچیده هستند؛ اما وقتی با یکدیگر ترکیب شوند، بسیار پیچیده‌تر خواهند شد.

در بهترین روش پیش‌بینی موجود، از شبیه‌سازی‌های کامپیوتری فیزیک جوّی استفاده می‌شود. این شبیه‌سازی‌ها برای پیش‌بینی‌های بلندمدت عملکرد خوبی دارند؛ ولی در پیش‌بینی آب‌و‌هوا برای یک یا دو ساعت آینده چندان دقیق نیستند. روش‌های یادگیری عمیقی در گذشته توسعه یافته‌اند؛ اما این روش‌ها، تنها در یکی از معیارها مثل پیش‌بینی موقعیت آب‌وهوایی برتری داشتند، نه تمام معیارها.

مقایسه DGMR

مقایسه DGMR با داده‌های واقعی رادار و دو روش پیش‌بینی رقیب برای بارش باران در شرق ایالات‌ متحده در آوریل ۲۰۱۹

تیم دیپ‌مایند هوش مصنوعی خود را بر‌‌اساس داده‌های رادار آموزش داده است. بسیاری از کشورها در طول روز تصاویر پیوسته‌ای را از اندازه‌گیری‌های راداری منتشر می‌کنند که شکل‌گیری و حرکت ابرها را ردیابی می‌کنند. برای مثال در بریتانیا، 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.

پژوهشگران داده‌های یادشده را به شبکه مولد عمیق وارد کردند. این شبکه مشابه GAN نوعی هوش مصنوعی است که برای تولید نمونه‌های جدید آموزش داده می‌شود. این نمونه‌ها شباهت زیادی به داده‌های واقعی دارند که شبکه بر‌‌‌اساس آن‌ها آموزش می‌بیند. از GAN در تولید چهره‌های فیک استفاده می‌شود. در این سناریو، DGMR (مخفف مدل مولد عمیق بارش باران) تولید تصاویر فوری جعلی رادار را آموخته است که توالی اندازه‌گیری‌های واقعی را ادامه می‌دهند. به‌گفته شکیر محمد، سرپرست این پژوهش در دیپ‌مایند، این فرایند مانند دیدن چند فریم از یک فیلم و حدس بقیه آن است.

پژوهشگران برای آزمایش روش خود از ۵۶ کارشناس پیش‌بینی آب‌و‌هوا در Met Office خواستند DGMR را در مقایسه‌ای کور با پیش‌بینی شبیه‌سازی‌های فیزیکی جدید و ابزارهای یادگیری عمیق مقایسه کنند که ۸۹ درصد از شرکت‌کنندگان نتایج DGMR را ترجیح دادند. نیال رابینسون، یکی از مؤلفان پژوهش و سرپرست نوآوری محصول در Met Office، دراین‌باره می‌گوید:

الگوریتم‌های یادگیری ماشین مقیاسی ساده برای ارزیابی پیش‌بینی را آزمایش و بهینه‌سازی می‌کنند. با‌این‌حال، پیش‌بینی‌های آب‌وهوایی به شیوه‌های مختلف نتایج خوب و بدی تولید می‌کنند. شاید یکی از پیش‌بینی‌ها بارش باران در موقعیت مناسب را به‌درستی تشخیص دهند؛ اما تشخیص آن‌ها برای شدت بارش اشتباه باشد یا روشی دیگر ترکیب صحیحی از شدت را تشخیص دهد؛ اما موقعیت بارش را به‌اشتباه ارزیابی کند. به‌همین‌دلیل، در این پژوهش حداکثر تلاشمان بر این بود تا الگوریتم را بر‌‌‌اساس مجموعه وسیعی از معیارها ارزیابی کنیم.

همکاری دیپ‌مایند با Met Office نمونه مناسبی از پیشرفت هوش مصنوعی در همکاری با کاربر نهایی است. پژوهشگران سال‌ها است روی این پروژه کار کرده‌اند و داده‌های کارشناسان Met Office این پروژه را شکل دادند. سومان راووری، دانشمند پژوهشی دیپ‌مایند می‌گوید:

داده‌ها توسعه مدل ما را به راهی متفاوت سوق دادند؛ در‌غیر‌این‌صورت، ممکن است با مدلی غیرکاربردی روبه‌رو شویم.

همچنین، دیپ‌مایند به‌دنبال پیاده‌سازی هوش مصنوعی خود در کاربردهای واقعی است. برای شکیر، DGMR داستانی مشابه AlphaFold دارد. شاید بزرگ‌ترین دستاورد دیپ‌مایند آغاز پیاده‌سازی‌های علمی در جهان واقعی باشد.

از سراسر وب

  دیدگاه
کاراکتر باقی مانده