DeepMind AI kan bättre förutsäga väder

Deepmind AI

Meteorologi som vetenskap går framåt tack vare teknikutvecklingen. För närvarande finns det flera datorprogram som direkt kan förutsäga när och var det kommer att regna. Företaget av Deepmind har utvecklat en artificiell intelligens som kan förutsäga nästan exakt när och var det kommer att regna. Detta företag har arbetat med brittiska meteorologer för att skapa en modell som är bättre för att göra kortsiktiga förutsägelser än nuvarande system.

I den här artikeln kommer vi att berätta allt du behöver veta om Robleda -väskan, meteorologisk förutsägelsesteknik för företaget DeepMind.

Väderprognos

deepmind

DeepMind, ett Londonbaserat företag för artificiell intelligens, fortsätter sin karriär med att tillämpa djupinlärning på svåra vetenskapliga problem. DeepMind har utvecklat ett djupinlärningsverktyg som heter DGMR i samarbete med British National Weather Service's Met Office, som exakt kan förutsäga sannolikheten för regn under de närmaste 90 minuterna. Det är en av de svåraste utmaningarna i väderprognoser.

I en jämförelse med befintliga verktyg anser dussintals experter att DGMR: s förutsägelser är de bästa på flera faktorer, inklusive dess förutsägelser om plats, intervall, rörelse och intensitet av regn, 89% av tiden. DeepMinds nya verktyg öppnar en ny nyckel i biologi som forskare har försökt lösa i decennier.

Men även små förbättringar i förutsägelser är viktiga. Att förutsäga nederbörd, särskilt kraftigt regn, är avgörande för många branscher, från utomhusaktiviteter till flygtjänster och nödsituationer. Men att få rätt är svårt. Att bestämma hur mycket vatten som finns på himlen och när och var det kommer att falla beror på många klimatprocesser, som temperaturförändringar, molnbildning och vind. Alla dessa faktorer är tillräckligt komplexa i sig, men de är mer komplexa när de kombineras.

Den bästa tillgängliga förutsägelsestekniken använder ett stort antal datasimuleringar av atmosfärisk fysik. Dessa är lämpliga för långsiktiga prognoser, men de är inte särskilt bra på att förutsäga vad som kommer att hända under den närmaste timmen. Detta kallas en omedelbar prognos.

DeepMind -utveckling

utveckling av väderprognoser

Tidigare djupinlärningstekniker har utvecklats, men dessa tekniker fungerar vanligtvis bra i ett avseende, till exempel att förutsäga plats och på bekostnad av ett annat, till exempel att förutsäga kraft. Radardata för kraftigt regn som hjälper till att förutsäga omedelbart regn är fortfarande en stor utmaning för meteorologer.

DeepMind -teamet använde radardata för att träna sin AI. Många länder och regioner publicerar ofta ögonblicksbilder av radarmätningar som spårar molnbildning och rörelse under hela dagen. I Storbritannien publiceras till exempel nya avläsningar var femte minut. Genom att sätta ihop dessa snaps kan du få en uppdaterad stop-motion-video som visar hur regnmönstret i ett land förändras.

Forskarna skickar dessa data till ett djupt generationsnätverk som liknar GAN, vilket är en utbildad AI som kan generera nya dataprover som mycket liknar den faktiska data som används vid utbildning. GAN har använts för att generera falska ansikten, inklusive den falska Rembrandt. I det här fallet har DGMR (som står för "Generative Deep Rain Model") lärt sig att generera falska radarbilder som fortsätter den faktiska mätsekvensen.

DeepMind AI -experiment

väderprognos

Shakir Mohamed, som ledde forskningen på DeepMind, sa att detta är samma sak som att titta på några bildrutor från en film och gissa vad som kommer att hända härnäst. För att testa denna metod bad laget 56 meteorologer från Meteorologbyrån (som inte var inblandade i arbetet) att fördjupa sig i de mer avancerade fysiska simuleringarna och en uppsättning motståndare.

89% av människorna sa att de föredrar resultaten från DGMR. Maskininlärningsalgoritmer försöker i allmänhet optimera för ett enkelt mått på hur bra dina förutsägelser är. Väderprognosen har dock många olika aspekter. Kanske fick en förutsägelse fel regnintensitet på rätt plats, eller annan förutsägelse fick rätt kombination av intensiteter men på fel ställe, och så vidare.

DeepMind sa att det kommer att släppa strukturen för alla proteiner som vetenskapen känner till. Företaget har använt sin AlphaFold proteinvikande artificiella intelligens för att generera strukturer för den mänskliga proteomen, liksom för jäst, fruktflugor och möss.

Samarbetet mellan DeepMind och Met Office är ett bra exempel på att arbeta med slutanvändare för att slutföra AI -utveckling. Uppenbarligen är detta en bra idé, men det händer ofta inte. Teamet arbetade med projektet i flera år och input från experter från Bureau of Meteorology formade projektet. Suman Ravuri, forskare vid DeepMind, sa: "Det främjar utvecklingen av vår modell på ett annat sätt än vår egen implementering." "Annars hade vi kunnat skapa en modell som inte skulle vara särskilt användbar i slutändan."

DeepMind vill också visa att dess AI har praktiska tillämpningar. För Shakir är DGMR och AlphaFold en del av samma historia: företaget använder sin mångåriga erfarenhet av att lösa pussel. Den kanske viktigaste slutsatsen här är att DeepMind äntligen har börjat lista verkliga vetenskapliga problem.

Framsteg inom väderprognoser

Väderprognoser måste stödjas av teknikens utveckling när vi närmar oss allt närmare fullt ut att förstå hur vår atmosfär fungerar. Många gånger kan människan och hans beräkningar bli föremål för vanliga misstag som kan undvikas med utvecklingen av artificiell intelligens.

Väderprognoser är nyckeln till att vara människa eftersom vi kan dra nytta av mycket effektivare vattenresurser och undvika katastrofer i stormar och kraftiga regn. Av denna anledning är meteorologerna alltmer överens om att utveckla projekt för artificiell intelligens för att förutsäga nederbörd.

Jag hoppas att du med denna information kan lära dig mer om DeepMind -projektet och dess egenskaper.


Bli först att kommentera

Lämna din kommentar

Din e-postadress kommer inte att publiceras. Obligatoriska fält är markerade med *

*

*

  1. Ansvarig för uppgifterna: Miguel Ángel Gatón
  2. Syftet med uppgifterna: Kontrollera skräppost, kommentarhantering.
  3. Legitimering: Ditt samtycke
  4. Kommunikation av uppgifterna: Uppgifterna kommer inte att kommuniceras till tredje part förutom enligt laglig skyldighet.
  5. Datalagring: databas värd för Occentus Networks (EU)
  6. Rättigheter: När som helst kan du begränsa, återställa och radera din information.