[ad_1]
اولین پروتئین تاشو و در حال حاضر پیش بینی آب و هوا ؛ شرکت هوش مصنوعی Daymand مستقر در بریتانیا همچنان از یادگیری عمیق در مسائل دشوار علمی استفاده می کند. Daymand ابزاری به نام DGMR با همکاری Met Office ، سرویس آب و هوایی ملی بریتانیا ایجاد کرده است. این ابزار می تواند احتمال بارندگی را در 90 دقیقه آینده به طور دقیق پیش بینی کند ، که یکی از مشکلات دشوار پیش بینی آب و هوا است.
کارشناسان پیش بینی های DGMR را با ابزارهای موجود مقایسه کردند. طبق نتایج ، DGMR در پارامترهایی مانند مکان ، وسعت ، سرعت و شدت بارندگی 89 of مواقع بهتر عمل می کند. این مطالعه در مجله Nature منتشر شده است. یکی از دستاوردهای اخیر AlphaFold Depot این بود که می تواند یک مشکل مهم بیولوژیکی را که مدت ها ذهن دانشمندان را مشغول کرده بود حل کند. دستاورد جدید این شرکت در زمینه پیش بینی آب و هوا نیز بسیار قابل توجه است.
پیش بینی آب و هوا ، به ویژه باران های شدید ، برای بسیاری از صنایع ، از رویدادهای در فضای باز گرفته تا خدمات هوانوردی و اورژانس ضروری است. اما پیش بینی دقیق دشوار است. محاسبه مقدار آب در آسمان و زمان و محل بارش به فرایندهای مختلف آب و هوایی مانند تغییرات دما و تشکیل ابر و باد بستگی دارد. همه این معیارها ذاتاً پیچیده هستند. اما وقتی با هم ترکیب شوند ، بسیار پیچیده تر می شوند.
در بهترین روش پیش بینی موجود ، از شبیه سازی های کامپیوتری فیزیک جوی استفاده می شود. این شبیه سازی ها برای پیش بینی های بلند مدت خوب عمل می کنند. اما آنها در پیش بینی آب و هوا برای یکی دو ساعت آینده بسیار دقیق نیستند. روشهای یادگیری عمیق در گذشته توسعه یافته است. اما این روشها تنها در یک معیار ، مانند پیش بینی آب و هوا ، نه در همه ، برتری داشتند.
مقایسه DGMR با داده های واقعی رادار و دو روش رقیب پیش بینی بارش در شرق ایالات متحده در آوریل 2019
تیم Deepayand هوش مصنوعی خود را بر اساس داده های رادار آموزش داده است. بسیاری از کشورها در طول روز تصاویری پیوسته از اندازه گیری های راداری منتشر می کنند که تشکیل و حرکت ابرها را ردیابی می کند. به عنوان مثال ، در انگلستان ، هر پنج دقیقه یک مقاله جدید منتشر می شود. کنار هم قرار دادن این تصاویر ، فیلم های به روز تولید می کند که حرکت الگوهای بارندگی را در سراسر کشور نشان می دهد و شبیه پیش بینی های تصویری تلویزیونی است.
محققان داده ها را در یک شبکه تولید کننده عمیق وارد کردند. این شبکه شبیه به GAN است ، یک هوش مصنوعی که برای ایجاد نمونه های اولیه آموزش دیده است. این مثالها مشابه داده های واقعی هستند که شبکه بر روی آنها آموزش دیده است. GAN برای ایجاد چهره های جعلی استفاده می شود. در این سناریو ، DGMR (مخفف Deep Rainfall Generating Model) یاد گرفته است که تصاویر فوری راداری شبیه سازی شده ایجاد کند که دنباله اندازه گیری های واقعی را ادامه می دهد. مطابق با شاکر محمداین روند مانند تماشای چند فریم از یک فیلم و حدس زدن بقیه است.
برای آزمایش روش خود ، محققان از 56 پیش بینی هواشناسی در مت آفیس خواستند تا DGMR را با پیش بینی نقاط کور از شبیه سازی های فیزیکی جدید و ابزارهای یادگیری عمیق مقایسه کنند ، و 89 درصد از شرکت کنندگان نتایج DGMR را ترجیح می دهند. نایل رابینسونیکی از نویسندگان ، سرپرست تحقیقات و نوآوری محصول در Met Office ، می گوید:
الگوریتم های یادگیری ماشین مقیاس های ساده را برای ارزیابی پیش بینی آزمایش و بهینه می کند. با این حال ، پیش بینی آب و هوا نتایج خوب و بد را به روش های مختلف ارائه می دهد. شاید یکی از پیش بینی ها تشخیص صحیح بارندگی در موقعیت صحیح باشد. اما اگر آنها برای شدت بارندگی اشتباه تشخیص داده شوند یا در غیر این صورت ترکیب صحیح شدتها را تعیین کنند. اما شرایط بارندگی را اشتباه محاسبه کنید. به همین دلیل ، در این مطالعه ، حداکثر تلاش ما ارزیابی الگوریتم بر اساس طیف گسترده ای از معیارها بود.
مقالات مرتبط:
همکاری Daymand با Met Office نمونه خوبی از تکامل هوش مصنوعی در کار با کاربر نهایی است. سالهاست که محققان روی این پروژه کار می کنند و داده های کارشناسان مت آفیس این پروژه را شکل داده است. سومان رووروریدانشمند تحقیق DePaymand می گوید:
داده ها باعث توسعه مدل ما به شیوه ای متفاوت شد. در غیر این صورت ، ممکن است با یک مدل غیر کاربردی روبرو شویم.
DePaymand همچنین به دنبال استفاده از هوش مصنوعی خود در برنامه های کاربردی در دنیای واقعی است. برای شاکر ، داستان DGMR مشابه AlphaFold است. شاید بزرگترین دستاورد DePaymand آغاز اجرای علمی در دنیای واقعی باشد.
[ad_2]
