211service.com
DeepMinds AI förutsäger nästan exakt när och var det kommer att regna
Getty
Först proteinveckning , nu väderprognoser: London-baserade AI-företaget DeepMind fortsätter sin körning med att tillämpa djupinlärning på svåra vetenskapliga problem. Tillsammans med Met Office, Storbritanniens nationella vädertjänst, har DeepMind utvecklat ett verktyg för djupinlärning som heter DGMR som exakt kan förutsäga sannolikheten för regn under de kommande 90 minuterna – en av väderprognosernas tuffaste utmaningar.
I en blind jämförelse med befintliga verktyg bedömde flera dussin experter DGMR:s prognoser som de bästa över en rad faktorer – inklusive dess förutsägelser om regnets plats, omfattning, rörelse och intensitet – 89 % av tiden. Resultaten var publiceras i en naturtidning i dag.
DeepMinds nya verktyg är nej AlphaFold, som öppnade ett nyckelproblem inom biologi som forskare hade brottats med i decennier. Men även en liten förbättring av prognoserna spelar roll.
Att förutse regn, särskilt kraftigt regn, är avgörande för många branscher, från utomhusevenemang till flyg till räddningstjänst. Men att göra det bra är svårt. Att ta reda på hur mycket vatten som finns på himlen, och när och var det kommer att falla, beror på ett antal väderprocesser, såsom förändringar i temperatur, molnbildning och vind. Alla dessa faktorer är tillräckligt komplexa i sig, men de är ännu mer komplexa när de tas tillsammans.
De bästa befintliga prognosteknikerna använder massiva datorsimuleringar av atmosfärsfysik. Dessa fungerar bra för prognoser på längre sikt men är mindre bra på att förutsäga vad som kommer att hända under den närmaste timmen eller så, så kallade nowcasting. Tidigare tekniker för djupinlärning har utvecklats, men dessa fungerar vanligtvis bra på en sak, som att förutsäga plats, på bekostnad av något annat, som att förutsäga intensitet.
Jämförelse av DGMR med faktiska radardata och två rivaliserande prognostekniker för kraftiga regn över östra USA i april 2019
DJUPSINNE
Att nu sända nederbörd är fortfarande en stor utmaning för meteorologer, säger Greg Carbin, chef för prognosoperationer vid NOAA Weather Prediction Center i USA, som inte var inblandad i arbetet.
DeepMind-teamet tränade sin AI på radardata. Många länder släpper frekventa ögonblicksbilder under hela dagen av radarmätningar som spårar bildandet och rörelsen av moln. I Storbritannien släpps till exempel en ny läsning var femte minut. Att sätta ihop dessa ögonblicksbilder ger en uppdaterad stop-motion-video som visar hur regnmönster rör sig över ett land, liknande prognoserna du ser på TV.
Forskarna matade denna data till ett djupt generativt nätverk, liknande ett GAN – en sorts AI som är tränad för att generera nya dataprover som är mycket lika de verkliga data som den tränades på. GAN har varit vana vid skapa falska ansikten , även falska Rembrandts. I det här fallet lärde sig DGMR (som står för deep generative model of rainfall) att generera falska radarbilder som fortsatte sekvensen av faktiska mätningar. Det är samma idé som att se några bildrutor av en film och gissa vad som kommer härnäst, säger Shakir Mohamed, som ledde forskningen på DeepMind.
För att testa tillvägagångssättet bad teamet 56 väderprognosmakare på Met Office (som inte annars var involverade i arbetet) att betygsätta DGMR i en blind jämförelse med prognoser gjorda av en toppmodern fysiksimulering och en rival djup. -inlärningsverktyg; 89 % sa att de föredrog resultaten från DGMR.
Maskininlärningsalgoritmer försöker i allmänhet optimera för ett enkelt mått på hur bra dess förutsägelse är, säger Niall Robinson, chef för partnerskap och produktinnovation på Met Office, som var medförfattare till studien. Väderprognoser kan dock vara bra eller dåliga på många olika sätt. Kanske får en prognos nederbörd på rätt plats men med fel intensitet, eller så får en annan rätt mix av intensiteter men på fel ställen osv. Vi ansträngde oss mycket i den här forskningen för att bedöma vår algoritm mot en bred uppsättning mätvärden.
Relaterad berättelse
DeepMind säger att det kommer att släppa strukturen av varje protein som är känt för vetenskapen Företaget har redan använt sin proteinvikande AI, AlphaFold, för att skapa strukturer för det mänskliga proteomet, såväl som jäst, fruktflugor, möss och mer.
DeepMinds samarbete med Met Office är ett bra exempel på AI-utveckling som görs i samarbete med slutanvändaren, något som verkar vara en självklart bra idé men som ofta inte blir av. Teamet arbetade med projektet i flera år, och input från Met Offices experter formade projektet. Det pressade vår modellutveckling på ett annat sätt än vi skulle ha gått ner på egen hand, säger Suman Ravuri, forskare vid DeepMind. Annars hade vi kanske gjort en modell som i slutändan inte var särskilt användbar.
DeepMind är också ivriga att visa att dess AI har praktiska tillämpningar.. För Shakir är DGMR en del av samma historia som AlphaFold: företaget tjänar på sina år av att lösa svåra problem i spel. Den kanske största takeaway här är att DeepMind äntligen börjar bocka av en bucket list med verkliga vetenskapsproblem.