DeepMinds AI forudsiger næsten præcis, hvornår og hvor det kommer til at regne

Getty

Først proteinfoldning , nu vejrudsigt: London-baserede AI-firmaet DeepMind fortsætter sin kørsel med at anvende dyb læring til svære videnskabelige problemer. I samarbejde med Met Office, Storbritanniens nationale vejrtjeneste, har DeepMind udviklet et dybdelæringsværktøj kaldet DGMR, der nøjagtigt kan forudsige sandsynligheden for regn i de næste 90 minutter - en af ​​vejrudsigtens hårdeste udfordringer.

I en blind sammenligning med eksisterende værktøjer vurderede adskillige dusin eksperter DGMR's prognoser til at være de bedste på tværs af en række faktorer - inklusive dets forudsigelser om placeringen, omfanget, bevægelsen og intensiteten af ​​regnen - 89% af tiden. Resultaterne var offentliggjort i et naturblad i dag.

DeepMinds nye værktøj er nej AlphaFold, som åbnede et nøgleproblem inden for biologi som videnskabsmænd havde kæmpet med i årtier. Men selv en lille forbedring i prognosen betyder noget.

Forudsigelse af regn, især kraftig regn, er afgørende for mange industrier, fra udendørsbegivenheder til luftfart til nødtjenester. Men at gøre det godt er svært. At finde ud af, hvor meget vand der er på himlen, og hvornår og hvor det kommer til at falde, afhænger af en række vejrprocesser, såsom ændringer i temperatur, skydannelse og vind. Alle disse faktorer er komplekse nok i sig selv, men de er endnu mere komplekse, når de tages sammen.

De bedste eksisterende prognoseteknikker bruger massive computersimuleringer af atmosfærisk fysik. Disse fungerer godt til langsigtede prognoser, men er mindre gode til at forudsige, hvad der kommer til at ske i den næste time eller deromkring, kendt som nowcasting. Tidligere dybdelæringsteknikker er blevet udviklet, men disse klarer sig typisk godt på én ting, såsom at forudsige placering, på bekostning af noget andet, såsom at forudsige intensitet.

Sammenligning af DGMR med faktiske radardata og to rivaliserende prognoseteknikker for kraftig nedbør over det østlige USA i april 2019

DYBESIND

Nuudkastning af nedbør er fortsat en væsentlig udfordring for meteorologer, siger Greg Carbin, chef for prognoseoperationer ved NOAA Weather Prediction Center i USA, som ikke var involveret i arbejdet.

DeepMind-teamet trænede deres AI på radardata. Mange lande frigiver hyppige snapshots i løbet af dagen af ​​radarmålinger, der sporer dannelsen og bevægelsen af ​​skyer. I Storbritannien, for eksempel, udgives en ny læsning hvert femte minut. At sætte disse snapshots sammen giver en opdateret stop-motion-video, der viser, hvordan regnmønstre bevæger sig hen over et land, svarende til de prognosebilleder, du ser på tv.

Forskerne fodrede disse data til et dybt generativt netværk, der ligner en GAN - en slags AI, der er trænet til at generere nye prøver af data, der ligner meget de rigtige data, den blev trænet på. GAN'er har været vant til generere falske ansigter , selv falske Rembrandts. I dette tilfælde lærte DGMR (som står for deep generative model of rainfall) at generere falske radar-øjebliksbilleder, der fortsatte sekvensen af ​​faktiske målinger. Det er den samme idé som at se et par billeder af en film og gætte på, hvad der kommer til at komme næste gang, siger Shakir Mohamed, der ledede forskningen hos DeepMind.

For at teste tilgangen bad holdet 56 vejrudsigtere på Met Office (som ellers ikke var involveret i arbejdet) om at vurdere DGMR i en blind sammenligning med prognoser lavet af en avanceret fysiksimulering og en rival dyb. -læringsværktøj; 89 % sagde, at de foretrak resultaterne givet af DGMR.

Maskinlæringsalgoritmer forsøger generelt at optimere for et enkelt mål for, hvor god dens forudsigelse er, siger Niall Robinson, leder af partnerskaber og produktinnovation hos Met Office, som var medforfatter til undersøgelsen. Vejrudsigter kan dog være gode eller dårlige på mange forskellige måder. Måske får en prognose nedbør på det rigtige sted, men med den forkerte intensitet, eller en anden får den rigtige blanding af intensiteter, men på de forkerte steder, og så videre. Vi gjorde en stor indsats i denne forskning for at vurdere vores algoritme i forhold til en bred række af metrikker.

Relateret historie

DeepMind siger, at det vil frigive strukturen af ​​hvert protein kendt af videnskaben

Virksomheden har allerede brugt sin proteinfoldende AI, AlphaFold, til at generere strukturer til det menneskelige proteom, såvel som gær, frugtfluer, mus og mere.

DeepMinds samarbejde med Met Office er et godt eksempel på AI-udvikling udført i samarbejde med slutbrugeren, noget der virker som en selvfølgelig god idé, men som ofte ikke sker. Teamet arbejdede på projektet i flere år, og input fra Met Offices eksperter prægede projektet. Det pressede vores modeludvikling på en anden måde, end vi ville være gået ned på egen hånd, siger Suman Ravuri, en forsker ved DeepMind. Ellers kunne vi have lavet en model, der i sidste ende ikke var særlig brugbar.

DeepMind er også ivrig efter at demonstrere, at dens AI har praktiske anvendelser.. For Shakir er DGMR en del af den samme historie som AlphaFold: virksomheden indkasserer sine år med at løse svære problemer i spil. Måske den største takeaway her er, at DeepMind endelig er begyndt at sætte kryds på en bucket list af videnskabsproblemer i den virkelige verden.

skjule