هوش مصنوعی Deep Mind می تواند پیش بینی آب و هوا خوبی باشد – زومیت


تجمع پروتئین در اول و جاری برای پیش بینی آب و هوا ؛ شرکت اطلاعات انسانی مستقر در دپایمند مستقر در انگلستان همچنان به تحقیقات عمیق تری می پردازد. DePaymand ، با همکاری Met Office ، سرویس ملی آب و هوا بریتانیا ، برنامه ای به نام DGMR ایجاد کرده است. این دستگاه می تواند بارندگی را در 90 دقیقه آینده به طور دقیق پیش بینی کند ، که یکی از سخت ترین پیش بینی های پیش بینی آب و هوا است.

کارشناسان پیش بینی DGMR را با دستگاه های موجود مقایسه می کنند. بر اساس نتایج ، DGMR در 89٪ مواقع در معیارهایی مانند پیش بینی آب و هوا ، اندازه ، حرکت و بارندگی عملکرد خوبی دارد. این مطالعه در مجله Nature منتشر شده است. یکی از نوآوری های اخیر AlphaFold Depot این است که می تواند مشکلات مادام العمر را که مدت ها در ذهن دانشمندان بوده است حل کند. جدیدترین نوآوری های شرکت در پیش بینی آب و هوا نیز بسیار مهم است.

پیش بینی آب و هوا ، به ویژه بارش شدید ، برای بسیاری از صنایع ، از رویدادهای در فضای باز گرفته تا هواپیما و خدمات اضطراری ، مهم است. اما پیش بینی های دقیق محتمل است. بسته به الگوهای مختلف آب و هوا مانند تغییرات دما و پردازش ابر و هوا ، میزان آب در آسمان و زمان و مکان باران را محاسبه کنید. همه اینها طبیعتاً پیچیده هستند. اما وقتی با هم ترکیب شوند حتی پیچیده تر می شوند.

در سیستم های پیش بینی کننده موجود ، از شبیه سازی کامپیوتری فیزیک جوی استفاده می شود. این سازگاری برای پیش بینی بلند مدت خوب عمل می کند. اما آنها آنقدر خوب نیستند که بتوانند آب و هوا را برای یکی دو ساعت آینده پیش بینی کنند. سیستم های یادگیری فشرده در گذشته توسعه یافته است. اما این روشها بیش از یک استاندارد دارند ، مانند پیش بینی آب و هوا ، نه همه آنها.

مقایسه DGMR با داده های واقعی رادار و دو روش پیش بینی باران در شرق ایالات متحده در آوریل 2019

تیم Deepayand اطلاعات خود را بر اساس داده های رادار آموزش داد. بسیاری از کشورها به دنبال رایانش ابری نظارت راداری روزانه را آغاز می کنند. به عنوان مثال ، در انگلستان هر 5 دقیقه یکبار آمار جدیدی منتشر می شود. ترکیب این صحنه ها یک بازی ویدیویی جدید ایجاد می کند که حرکت سیستم باران را در سراسر کشور نشان می دهد و شبیه یک پیش بینی تلویزیونی قابل مشاهده است.

محققان داده ها را در یک شبکه عمیق وارد کردند. این شبکه شبیه به GAN است ، اطلاعاتی که برای ایجاد نوع جدیدی از ارائه آموزش دیده است. این مثالها بسیار شبیه به داده های مورد استفاده برای شبکه هستند. GAN برای ایجاد یک چهره جعلی استفاده می شود. در این مورد ، DGMR (انتشار برای کاهش عمیق آب باران) یاد گرفته است که تصاویر راداری جعلی ایجاد کند که در زمان واقعی بسیار خوب عمل می کند. وابسته به شاکر محمداین فرایند مانند نگاه کردن به چند صحنه فیلم و اندازه گیری بیشتر است.

برای آزمایش روش شناسی خود ، محققان از 56 پیش بینی هواشناسی در مت آفیس خواستند تا DGMR و پیش بینی جدید جادوی فیزیکی و ابزارهای یادگیری عمیق را انجام دهند و 89 درصد از شرکت کنندگان نتایج DGMR را انتخاب کردند. نایل رابینسونیکی از نویسندگان این مطالعه و توسعه دهنده محصول در Met Office در این مورد اظهار نظر کرد:

الگوریتم های یادگیری ماشین پارامترهای ساده را برای تجزیه و تحلیل پیش بینی آزمایش و افزایش می دهد. با این حال ، پیش بینی آب و هوا از جهات مختلف نتایج مثبت و منفی را به همراه دارد. شاید یکی از پیش بینی ها تعیین میزان بارش به طور دقیق باشد. اما اگر آنها راه طوفان را ندانند یا میزان درست انرژی را تعیین نکنند ؛ اما آب و هوا را برای هوای نامناسب بررسی کنید. برای این منظور ، در این مطالعه ، بزرگترین نقطه قوت ما در نظر گرفتن الگوریتمی بر اساس معیارهای مختلف است.

اخبار مرتبط:

رابطه DePaymand با Met Office مثال خوبی از توسعه کار هوشمند با کاربر نهایی است. بر اساس داده های کارشناسان مت آفیس که این پروژه را طراحی کرده اند ، محققان سالها روی این پروژه کار کرده اند. مومان راووریمحقق DePaymand می گوید:

داده ها باعث توسعه مدل ما متفاوت شد. در غیر این صورت ، ممکن است با انواعی روبرو شویم که کار نمی کنند.

DePaymand همچنین می خواهد هوش خود را با برنامه های کاربردی در دنیای واقعی ادغام کند. برای شاکر ، DGMR داستانی مشابه AlphaFold دارد. شاید بزرگترین دستاورد DePaymand آغاز پیاده سازی علم در دنیای واقعی بود.


تمامی اخبار به صورت تصادفی و رندومایز شده پس از بازنویسی رباتیک در این سایت منتشر شده و هیچ مسئولتی در قبال صحت آنها نداریم