Gall DeepMind AI Ragweld y Tywydd

AI Deepmind

Mae meteoroleg fel gwyddoniaeth yn datblygu diolch i ddatblygiad technoleg. Ar hyn o bryd, mae yna sawl rhaglen gyfrifiadurol sy'n gallu rhagfynegi'n uniongyrchol pryd a ble y bydd hi'n bwrw glaw. Mae cwmni DeepMind wedi datblygu deallusrwydd artiffisial sy'n gallu rhagweld bron yn union pryd a ble y bydd hi'n bwrw glaw. Mae'r cwmni hwn wedi gweithio gyda meteorolegwyr y DU i greu model sy'n well ar gyfer gwneud rhagfynegiadau tymor byr na systemau cyfredol.

Yn yr erthygl hon, rydyn ni'n mynd i ddweud popeth sydd angen i chi ei wybod am y bag Robleda, technoleg rhagfynegiad meteorolegol y cwmni DeepMind.

Rhagolwg y tywydd

dwfn

DeepMind, cwmni deallusrwydd artiffisial o Lundain, yn parhau â'i yrfa o gymhwyso dysgu dwfn i broblemau gwyddonol anodd. Mae DeepMind wedi datblygu teclyn dysgu dwfn o'r enw DGMR mewn cydweithrediad â Swyddfa Dywydd Gwasanaeth Tywydd Cenedlaethol Prydain, a all ragfynegi'n gywir y tebygolrwydd o law yn y 90 munud nesaf. Mae'n un o'r heriau anoddaf wrth ragweld y tywydd.

Mewn cymhariaeth â'r offer presennol, mae dwsinau o arbenigwyr yn credu mai rhagfynegiadau DGMR yw'r gorau ar sawl ffactor, gan gynnwys ei ragfynegiadau o leoliad, ystod, symudiad a dwyster glaw, 89% o'r amser. Mae offeryn newydd DeepMind yn agor allwedd newydd mewn bioleg y mae gwyddonwyr wedi bod yn ceisio ei datrys ers degawdau.

Fodd bynnag, mae hyd yn oed gwelliannau bach mewn rhagfynegiadau yn bwysig. Mae rhagweld glawiad, yn enwedig glaw trwm, yn hanfodol i lawer o ddiwydiannau, o weithgareddau awyr agored i wasanaethau hedfan ac argyfyngau. Ond mae'n anodd gwneud pethau'n iawn. Mae penderfynu faint o ddŵr sydd yn yr awyr a phryd a ble y bydd yn cwympo yn dibynnu ar lawer o brosesau hinsoddol, fel newidiadau tymheredd, ffurfiant cwmwl, a gwynt. Mae'r holl ffactorau hyn yn ddigon cymhleth ynddynt eu hunain, ond maent yn fwy cymhleth wrth eu cyfuno.

Mae'r dechnoleg ragfynegi orau sydd ar gael yn defnyddio nifer fawr o efelychiadau cyfrifiadurol o ffiseg atmosfferig. Mae'r rhain yn addas ar gyfer rhagolygon tymor hir, ond nid ydynt yn dda iawn am ragweld beth fydd yn digwydd yn yr awr nesaf. Gelwir hyn yn rhagolwg ar unwaith.

Datblygiad DeepMind

datblygu rhagweld y tywydd

Mae technegau dysgu dwfn blaenorol wedi'u datblygu, ond mae'r technegau hyn fel arfer yn gweithio'n dda mewn un ffordd, megis darogan lleoliad, ac ar draul un arall, fel rhagfynegi grym. Mae data radar ar gyfer glaw trwm sy'n helpu i ragweld glaw ar unwaith yn parhau i fod yn her fawr i feteorolegwyr.

Defnyddiodd tîm DeepMind ddata radar i hyfforddi eu AI. Mae llawer o wledydd a rhanbarthau yn aml yn cyhoeddi cipluniau o fesuriadau radar sy'n olrhain ffurfiant a symudiad cwmwl trwy gydol y dydd. Er enghraifft, yn y DU, mae darlleniadau newydd yn cael eu postio bob pum munud. Trwy roi'r cipluniau hyn at ei gilydd, gallwch gael fideo stop-symud diweddaraf yn dangos sut mae patrwm glaw gwlad yn newid.

Mae'r ymchwilwyr yn anfon y data hwn i rwydwaith cenhedlaeth ddwfn tebyg i GAN, sy'n AI hyfforddedig sy'n gallu cynhyrchu samplau data newydd sy'n debyg iawn i'r data gwirioneddol a ddefnyddir wrth hyfforddi. Defnyddiwyd GAN i gynhyrchu wynebau ffug, gan gynnwys y Rembrandt ffug. Yn yr achos hwn, mae DGMR (sy'n sefyll am "Generative Deep Rain Model") wedi dysgu cynhyrchu cipluniau radar ffug sy'n parhau â'r dilyniant mesur gwirioneddol.

Arbrofion AI DeepMind

rhagolygon y tywydd

Dywedodd Shakir Mohamed, a arweiniodd yr ymchwil yn DeepMind, fod hyn yr un peth â gwylio ychydig o fframiau o ffilm a dyfalu beth fydd yn digwydd nesaf. I brofi'r dull hwn, gofynnodd y tîm i 56 meteorolegydd o'r Swyddfa Meteoroleg (nad oeddent yn rhan o'r gwaith) ymchwilio i'r efelychiadau corfforol mwy datblygedig a set o wrthwynebwyr.

Dywedodd 89% o bobl fod yn well ganddyn nhw'r canlyniadau a roddir gan DGMR. Yn gyffredinol, mae algorithmau dysgu peiriannau yn ceisio gwneud y gorau o fesur syml o ba mor dda yw'ch rhagfynegiadau. Fodd bynnag, mae gan ragolygon y tywydd lawer o wahanol agweddau. Efallai bod rhagfynegiad wedi cael y dwyster glaw anghywir yn y lle iawn, neu ragfynegiad arall a gafodd y cyfuniad cywir o ddwyster ond yn y lle anghywir, ac ati.

Dywedodd DeepMind y bydd yn rhyddhau strwythur yr holl broteinau sy'n hysbys i wyddoniaeth. Mae'r cwmni wedi defnyddio ei ddeallusrwydd artiffisial plygu protein AlphaFold i gynhyrchu strwythurau ar gyfer y proteinome dynol, yn ogystal ag ar gyfer burum, pryfed ffrwythau a llygod.

Y cydweithrediad rhwng DeepMind a'r Swyddfa Dywydd yn enghraifft dda o weithio gyda defnyddwyr terfynol i gwblhau datblygiad AI. Yn amlwg mae hwn yn syniad da, ond yn aml nid yw'n digwydd. Bu'r tîm yn gweithio ar y prosiect am sawl blwyddyn a lluniodd mewnbwn gan arbenigwyr o'r Swyddfa Meteoroleg y prosiect. Dywedodd Suman Ravuri, gwyddonydd ymchwil yn DeepMind: "Mae'n hyrwyddo datblygiad ein model mewn ffordd wahanol i'n gweithrediad ein hunain." "Fel arall, gallem fod wedi creu model na fyddai'n arbennig o ddefnyddiol yn y diwedd."

Mae DeepMind hefyd yn awyddus i ddangos bod gan ei AI gymwysiadau ymarferol. Ar gyfer Shakir, mae DGMR ac AlphaFold yn rhan o'r un stori: mae'r cwmni'n defnyddio eu blynyddoedd o brofiad yn datrys posau. Efallai mai'r casgliad pwysicaf yma yw bod DeepMind o'r diwedd wedi dechrau rhestru problemau gwyddonol y byd go iawn.

Datblygiadau o ran rhagweld y tywydd

Rhaid i ragweld y tywydd gael ei ategu gan ddatblygiad technoleg wrth i ni ddod yn agosach ac yn agosach at ddeall yn llawn sut mae ein hatmosffer yn gweithio. Lawer gwaith gall y bod dynol a'i gyfrifiadau fod yn destun camgymeriadau cyffredin y gellir eu hosgoi wrth ddatblygu deallusrwydd artiffisial.

Mae rhagweld y tywydd yn allweddol i fod yn ddynol gan y gallwn fanteisio ar lawer adnoddau dŵr mwy effeithlon ac osgoi rhai trychinebau mewn stormydd a glaw trwm. Am y rheswm hwn, mae meteorolegwyr yn cytuno fwyfwy i ddatblygu prosiectau deallusrwydd artiffisial ar gyfer darogan glawiad.

Gobeithio y gallwch ddysgu mwy am y prosiect DeepMind a'i nodweddion gyda'r wybodaeth hon.


Mae cynnwys yr erthygl yn cadw at ein hegwyddorion moeseg olygyddol. I riportio gwall cliciwch yma.

Bod y cyntaf i wneud sylwadau

Gadewch eich sylw

Ni fydd eich cyfeiriad e-bost yn cael ei gyhoeddi. Meysydd gofynnol yn cael eu marcio â *

*

*

  1. Yn gyfrifol am y data: Miguel Ángel Gatón
  2. Pwrpas y data: Rheoli SPAM, rheoli sylwadau.
  3. Cyfreithlondeb: Eich caniatâd
  4. Cyfathrebu'r data: Ni fydd y data'n cael ei gyfleu i drydydd partïon ac eithrio trwy rwymedigaeth gyfreithiol.
  5. Storio data: Cronfa ddata wedi'i chynnal gan Occentus Networks (EU)
  6. Hawliau: Ar unrhyw adeg gallwch gyfyngu, adfer a dileu eich gwybodaeth.