[ad_1]
مونتاژ پروتئین برای اولین بار ، در حال حاضر پیش بینی آب و هوا ؛ شرکت هوش مصنوعی انگلیسی DePaymand به پیاده سازی علم عمیق در زمینه مسائل چالش برانگیز علم ادامه می دهد. DePaymand با همکاری Met Office ، سرویس آب و هوایی انگلستان ، ابزاری به نام DGMR ایجاد کرده 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 پیش بینی های DGMR را با ابزارهای موجود مقایسه کردند. بر اساس نتایج ، DGMR 89٪ از مواقع را بر اساس معیارهایی مانند پیش بینی مکان ، محدوده ، ترافیک و شدت بارندگی بهتر انجام می دهد. این مطالعه در مجله Nature منتشر شده است. یکی از دستاوردهای اخیر AlphaFold Depot حل مشکل بیولوژیکی مهمی است که مدتها ذهن دانشمندان را به خود مشغول کرده است. دستاورد جدید این شرکت در زمینه پیش بینی آب و هوا نیز بسیار مهم است.
پیش بینی آب و هوا ، به ویژه باران های شدید ، برای بسیاری از صنایع ، از رویدادهای فضای باز گرفته تا خدمات هوانوردی و اورژانس ، بسیار مهم است. اما پیش بینی دقیق آن دشوار است. محاسبه مقدار آب در آسمان و زمان و مکان بارش به فرایندهای مختلف آب و هوایی مانند تغییرات دما ، تشکیل ابر و باد بستگی دارد. همه این معیارها ذاتاً پیچیده هستند. اما وقتی با هم ترکیب شوند ، بسیار پیچیده تر می شوند.
بهترین روش پیش بینی موجود از شبیه سازی های کامپیوتری فیزیک جوی استفاده می کند. 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 یادگیری عمیق در گذشته توسعه یافته است. اما این روشها فقط یک معیار مانند پیش بینی آب و هوا را مورد هدف قرار داد و همه آنها را مورد بررسی قرار نداد.
مقایسه DGMR با داده های واقعی رادار و دو روش پیش بینی بارندگی در شرق ایالات متحده در آوریل 2019.
تیم Deepayand هوش مصنوعی خود را بر اساس داده های رادار آموزش داد. بسیاری از کشورها در طول روز تصاویری راداری مستمر منتشر می کنند که شکل گیری و حرکت ابرها را ردیابی می کند. به عنوان مثال ، در انگلستان هر پنج دقیقه یک بار خوانده می شود. کنار هم قرار دادن این تصاویر یک ویدئوی به روز ایجاد می کند که حرکت الگوهای بارندگی را در سراسر کشور نشان می دهد و بسیار شبیه پیش بینی های تصویری تلویزیونی است.
دانشمندان داده ها را وارد یک شبکه ژنراتور عمیق کردند. این شبکه شبیه به GAN است ، یک هوش مصنوعی که برای ایجاد نمونه های اولیه آموزش دیده است. این مثالها بسیار شبیه به داده های واقعی هستند که شبکه در حال آموزش آنهاست. GAN برای ایجاد چهره های کاذب استفاده می شود. در این سناریو ، DGMR (مخفف مدل تولید بارندگی عمیق) یاد گرفت که عکس های فوری راداری ایجاد کند که دنباله اندازه گیری های واقعی را ادامه می دهد. با توجه شاکر محمداین روند مانند تماشای چند فریم از یک فیلم و حدس زدن بقیه است.
برای آزمایش روش خود ، محققان از 56 پیش بینی هواشناسی در مت آفیس درخواست کردند تا DGMR را با پیش بینی نقاط کور شبیه سازی های فیزیکی جدید و ابزارهای یادگیری عمیق مقایسه کنند و 89 درصد از شرکت کنندگان نتایج DGMR را ترجیح می دهند. نایل رابینسونیکی از نویسندگان سرپرست تحقیقات و نوآوری محصول در مت آفیس در این باره می گوید:
الگوریتم های یادگیری ماشین یک مقیاس ساده را برای ارزیابی پیش بینی آزمایش و بهینه می کند. با این حال ، پیش بینی آب و هوا نتایج خوب و بد را به روش های مختلف ارائه می دهد. شاید یکی از پیش بینی ها تشخیص صحیح بارش در موقعیت مناسب باشد. اما اگر آنها از نظر شدت بارندگی اشتباه تشخیص داده شوند یا در غیر این صورت ترکیب صحیح شدت را تعیین کنند. اما وضعیت بارندگی را نادرست ارزیابی کنید. به همین دلیل ، در این مطالعه ، حداکثر تلاش ما ارزیابی الگوریتم بر اساس طیف وسیعی از معیارها بود.
مقالات مرتبط:
همکاری DePaymand با Met Office نمونه خوبی از توسعه هوش مصنوعی در کار کاربران نهایی است. سالهاست که دانشمندان روی این پروژه کار می کنند و داده های کارشناسان مت آفیس این پروژه را شکل داده است. دانشمند د پایمند می گوید:
داده ها منجر به توسعه مدل ما به شیوه ای متفاوت شد. در غیر این صورت ، ممکن است با یک مدل غیر کاربردی روبرو شویم.
DePaymand همچنین سعی می کند هوش مصنوعی خود را در برنامه های واقعی پیاده سازی کند. برای شکیرا ، DGMR سابقه ای مشابه AlphaFold دارد. شاید بزرگترین دستاورد DePaymand آغاز پیاده سازی های علمی در دنیای واقعی باشد.
[ad_2]
