[ad_1]
قبل از تا شدن پروتئین و در حال حاضر پیش بینی آب و هوا ؛ Demand ، یک شرکت هوش مصنوعی مستقر در انگلستان ، آموزش عمیقی را در زمینه مسائل دشوار علمی اجرا می کند. DePamand دستگاهی به نام DGMR را با همکاری Met Office ، سرویس آب و هوایی ملی بریتانیا توسعه داده 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 برآوردهای DGMR را با ابزارهای موجود مقایسه کردند. بر اساس نتایج بدست آمده ، DGMR از نظر پیش بینی موقعیت ، گسترش ، حرکت و شدت بارندگی 89 درصد مواقع بهتر عمل می کند. این مطالعه در مجله Nature منتشر شده است. یکی از موفقیت های اخیر Alphafold Depot این است که می تواند یک مشکل مهم بیولوژیکی را که مدت ها ذهن دانشمندان را مشغول کرده است حل کند. موفقیت جدید این شرکت در زمینه پیش بینی آب و هوا نیز بسیار مهم است.
پیش بینی آب و هوا ، به ویژه باران های سیل آسا ، برای بسیاری از صنایع ، از رویدادهای در فضای باز گرفته تا خدمات هوانوردی و اورژانس ضروری است. اما پیش بینی دقیق آن دشوار است. میزان آب در آسمان و زمان و مکان 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 ، 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 تدریس عمیق در گذشته توسعه یافته است. اما این روشها تنها در یک معیار ، مانند پیش بینی آب و هوا ، نه همه.
مقایسه DGMR با داده های واقعی رادار و دو روش پیش بینی بارندگی رقابتی در شرق ایالات متحده در آوریل 2019
تیم Deepayand هوش مصنوعی او 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 ، مطالب جدید هر پنج دقیقه منتشر می شود. کنار هم قرار دادن این تصاویر ، فیلم های به روز ایجاد می کند که حرکت الگوهای باران را در سراسر کشور نشان می دهد و شبیه پیش بینی های تصویری تلویزیونی است.
محققان داده ها را در یک شبکه خلاق وارد کردند. این شبکه شبیه به GAN است ، یک هوش مصنوعی که برای ساخت نمونه های اولیه آموزش دیده است. این مثالها مشابه داده های واقعی است که شبکه ها بر اساس آنها آموزش می بینند. GAN برای ایجاد چهره های جعلی استفاده می شود. در این شرایط ، DGMR (مخفف Deep Rainflow Generating Model) یاد گرفته است که عکسهای راداری جعلی ایجاد کند که توالی اندازه گیریهای 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 شناسی خود ، محققان از 56 پیش بینی هواشناسی در مت آفیس خواستند تا DGMR را با شبیه سازی های فیزیکی جدید و پیش بینی نقاط کور ابزارهای یادگیری عمیق مقایسه کنند و 89 درصد از شرکت کنندگان نتایج DGMR را ترجیح می دهند. نایل رابینسونیکی از نویسندگان ناظران تحقیق و نوآوری در تولید مت می گوید:
الگوریتم های یادگیری ماشین مقیاس های ساده را برای ارزیابی پیش بینی آزمایش و بهینه می کند. با این حال ، پیش بینی های آب و هوا از راه های مختلف نتایج خوب و بدی را به همراه دارد. شاید یکی از پیش بینی ها تشخیص دقیق باران در شرایط مناسب باشد. اما اگر آنها به دلیل شدت باران اشتباه تشخیص داده شوند یا در غیر این صورت ترکیب صحیح شدتها را تعیین کنند. اما در مورد شرایط بارندگی اشتباه قضاوت کنید. به همین دلیل ، در این مطالعه ، حداکثر تلاش ما ارزیابی الگوریتم ها بر اساس طیف گسترده ای از معیارها بود.
مقالات مرتبط:
همکاری مستقل با Met Office نمونه خوبی از توسعه هوش مصنوعی هنگام 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 رواریدانشمندان تحقیق وابسته می گویند:
داده ها منجر به توسعه مدل ما به شیوه ای متفاوت شد. در غیر این صورت ، ممکن است به یک مدل غیر کاربردی برسیم.
DePaymand به دنبال استفاده از هوش مصنوعی خود در برنامه های کاربردی در دنیای واقعی است. برای شاکر ، DGMR داستانی مشابه Alphafold دارد. شاید بزرگترین دستاورد الماس آغاز اجرای علمی در دنیای واقعی باشد.
[ad_2]
