DeepMind AI gandrīz precīzi prognozē, kad un kur līs

Getty

Pirmkārt olbaltumvielu locīšana , tagad laikapstākļu prognozēšana: Londonā bāzētā mākslīgā intelekta firma DeepMind turpina savu darbību, pielietojot padziļinātu mācīšanos sarežģītās zinātnes problēmām. Sadarbojoties ar Apvienotās Karalistes nacionālo laikapstākļu dienestu Met Office, DeepMind ir izstrādājis padziļinātas apmācības rīku DGMR, kas var precīzi paredzēt lietus iespējamību nākamajās 90 minūtēs, kas ir viens no grūtākajiem laikapstākļu prognozēšanas izaicinājumiem.

Aklā salīdzinājumā ar esošajiem rīkiem vairāki desmiti ekspertu uzskatīja, ka DGMR prognozes ir labākās no dažādiem faktoriem, tostarp prognozēm par lietus atrašanās vietu, apjomu, kustību un intensitāti, 89% gadījumu. Rezultāti bija publicēts avīzē Daba šodien.

DeepMind jaunais rīks ir nē AlphaFold, kas atklāja galveno problēmu bioloģijā ar ko zinātnieki bija cīnījušies gadu desmitiem. Tomēr pat neliels uzlabojums prognozēšanā ir svarīgs.

Lietus, īpaši stipra lietus, prognozēšana ir ļoti svarīga daudzām nozarēm, sākot no āra pasākumiem un beidzot ar aviāciju un avārijas dienestiem. Bet darīt to labi ir grūti. Noskaidrot, cik daudz ūdens ir debesīs un kad un kur tas nokritīs, ir atkarīgs no vairākiem laikapstākļiem, piemēram, temperatūras izmaiņām, mākoņu veidošanās un vēja. Visi šie faktori ir pietiekami sarežģīti paši par sevi, taču tie ir vēl sarežģītāki, ja tos ņem kopā.

Labākās esošās prognozēšanas metodes izmanto masīvas atmosfēras fizikas datorsimulācijas. Tie ir labi piemēroti ilgtermiņa prognozēšanai, taču tie ir mazāk piemēroti, lai prognozētu, kas notiks tuvākās stundas laikā. Ir izstrādātas iepriekšējas padziļinātas mācīšanās metodes, taču tās parasti labi padodas vienā lietā, piemēram, atrašanās vietas prognozēšanā, uz kaut kā cita rēķina, piemēram, intensitātes prognozēšanu.

DGMR salīdzinājums ar faktiskajiem radara datiem un divām konkurējošām prognozēšanas metodēm stiprām lietusgāzēm ASV austrumos 2019. gada aprīlī

DEEPMIND

Pašlaik nokrišņu noteikšana joprojām ir būtisks izaicinājums meteorologiem, saka Gregs Karbins, ASV NOAA Laikapstākļu prognozēšanas centra prognožu nodaļas vadītājs, kurš nebija iesaistīts darbā.

DeepMind komanda apmācīja savu AI par radara datiem. Daudzas valstis radara mērījumu dienas laikā bieži izlaiž momentuzņēmumus, kas izseko mākoņu veidošanos un kustību. Piemēram, Lielbritānijā ik pēc piecām minūtēm tiek izdots jauns rādījums. Apvienojot šos momentuzņēmumus, tiek iegūts jaunākais stop-motion video, kurā parādīts, kā lietus mainās visā valstī, līdzīgi kā televizorā redzamie prognožu attēli.

Pētnieki ievadīja šos datus dziļā ģeneratīvajā tīklā, kas ir līdzīgs GAN — sava veida AI, kas ir apmācīts ģenerēt jaunus datu paraugus, kas ir ļoti līdzīgi reālajiem datiem, par kuriem tas tika apmācīts. GAN ir pieraduši radīt viltotas sejas , pat viltus Rembrandts. Šajā gadījumā DGMR (kas apzīmē dziļu ģeneratīvo nokrišņu modeli) iemācījās ģenerēt viltus radara momentuzņēmumus, kas turpināja faktisko mērījumu secību. Tā ir tāda pati ideja, kā redzēt dažus filmas kadrus un uzminēt, kas notiks tālāk, saka Šakirs Mohameds, kurš vadīja DeepMind pētījumu.

Lai pārbaudītu pieeju, komanda lūdza 56 meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās meteoroloģiskās prognozes (kas citādi nebija iesaistītas darbā) novērtēt DGMR aklā salīdzinājumā ar prognozēm, kas veiktas, izmantojot vismodernāko fizikas simulāciju un konkurentu dziļumu. -mācību līdzeklis; 89% teica, ka dod priekšroku DGMR sniegtajiem rezultātiem.

Mašīnmācīšanās algoritmi parasti cenšas optimizēt, lai noteiktu, cik laba ir tā prognoze, saka Niall Robinsons, Met Office partnerību un produktu inovāciju vadītājs, kurš bija pētījuma līdzautors. Tomēr laika prognozes var būt labas vai sliktas dažādos veidos. Iespējams, ka viena prognoze saņem nokrišņus pareizajā vietā, bet ar nepareizu intensitāti, vai cita prognoze saņem pareizo intensitātes sajaukumu, bet nepareizās vietās utt. Šajā pētījumā mēs pielikām daudz pūļu, lai novērtētu mūsu algoritmu, salīdzinot ar plašu metrikas komplektu.

Saistīts stāsts

DeepMind saka, ka tas atbrīvos katra zinātnei zināmā proteīna struktūru

Uzņēmums jau ir izmantojis savu proteīnu salokāmo AI, AlphaFold, lai radītu struktūras cilvēka proteomam, kā arī raugam, augļu mušas, peles un daudz ko citu.

DeepMind sadarbība ar Met Office ir labs piemērs mākslīgā intelekta attīstībai, kas tiek veikta sadarbībā ar galalietotāju, kas šķiet acīmredzami laba ideja, bet bieži vien tā nenotiek. Komanda pie projekta strādāja vairākus gadus, un Met Office ekspertu ieguldījums veidoja projektu. Tas pamudināja mūsu modeļu izstrādi citā veidā, nekā mēs paši būtu samazinājušies, saka Sumans Ravuri, DeepMind pētnieks. Pretējā gadījumā mēs, iespējams, būtu izveidojuši modeli, kas galu galā nebija īpaši noderīgs.

DeepMind arī vēlas parādīt, ka tā AI ir praktiski pielietojama. Šakiram DGMR ir daļa no tā paša stāsta kā AlphaFold: uzņēmums gūst peļņu no saviem gadiem ilgo sarežģīto spēļu problēmu risināšanas laikā. Iespējams, ka lielākais panākums šeit ir tas, ka DeepMind beidzot sāk atzīmēt reālās pasaules zinātnes problēmu sarakstu.

paslēpties