По иронии судьбы, самообучающаяся "капсульная нейронная сеть" Райс использует аналоговый метод прогнозирования погоды, который компьютеры устарели в 1950-х годах. В процессе обучения исследует сотни пар карт.
Каждая карта показывает температуру поверхности и давление воздуха на высоте пяти километров, и каждая пара показывает эти условия с разницей в несколько дней. Обучение включает в себя сценарии, приводящие к экстремальным погодным условиям – длительные периоды жары и холода, которые могут привести к смертельной жаре и зимним штормам. После обучения система смогла изучить карты, которые она ранее не видела, и сделать пятидневные прогнозы экстремальной погоды с точностью 85%.
По словам Педрама Хассанзаде из Райс, соавтора исследования о системе, опубликованного в Интернете, при дальнейшем развитии система может служить системой раннего предупреждения для синоптиков и инструментом для получения дополнительной информации об атмосферных условиях, которые приводят к экстремальным погодным условиям. на этой неделе в Журнале достижений в моделировании земных систем Американского геофизического союза.
Точность ежедневных прогнозов погоды неуклонно улучшалась с момента появления компьютерных численных прогнозов погоды (ЧПП) в 1950-х годах.
Но даже с улучшенными численными моделями атмосферы и более мощными компьютерами ЧПП не может надежно предсказать экстремальные явления, такие как смертельная жара во Франции в 2003 году и в России в 2010 году.
«Возможно, нам нужны более быстрые суперкомпьютеры для решения основных уравнений численных моделей прогнозирования погоды с более высоким разрешением», – сказал Хасанзаде, доцент кафедры машиностроения и наук о Земле, окружающей среде и планетах в Райс. "Но поскольку мы не полностью понимаем физику и условия, предшествующие экстремальным погодным условиям, также возможно, что уравнения не совсем точны, и они не будут давать более точных прогнозов, независимо от того, сколько вычислительной мощности мы приложим. в."
В конце 2017 года Хасанзаде и соавторы исследования и аспиранты Ашеш Чаттопадхьяй и Эбрахим Набизаде решили использовать другой подход.
"Когда вы получаете эти волны тепла или холода, если вы посмотрите на карту погоды, вы часто увидите какое-то странное поведение в струйном потоке, аномальные вещи, такие как большие волны или большая система высокого давления, которая не движется на все ", – сказал Хасанзаде. "Похоже, это проблема распознавания образов. Поэтому мы решили попытаться переформулировать прогноз экстремальной погоды как проблему распознавания образов, а не числовую задачу."
Глубокое обучение – это форма искусственного интеллекта, в которой компьютеры «обучаются» принимать решения, подобные человеческим, без явного программирования для них.
Основа глубокого обучения, сверточная нейронная сеть, превосходно справляется с распознаванием образов и является ключевой технологией для беспилотных автомобилей, распознавания лиц, транскрипции речи и множества других достижений.
«Мы решили обучить нашу модель, показав ей множество моделей давления в пяти километрах над Землей и сказав ей для каждой из них:« Эта модель не вызвала экстремальных погодных условий.
Это вызвало волну жары в Калифорнии. Это ничего не вызвало. Это вызвало похолодание на северо-востоке », – сказал Хасанзаде. "Ничего особенного, как Хьюстон против Далласа, а скорее ощущение региона."
В то время Хасанзаде, Чаттопадхьяй и Набизаде едва ли знали, что аналоговое прогнозирование когда-то было опорой прогнозирования погоды и даже играло легендарную роль в высадке десанта во время Второй мировой войны.
«Один из способов предсказания был сделан до компьютеров: они посмотрят на схему системы давления сегодня, а затем перейдут к каталогу предыдущих моделей, сравнят и попытаются найти аналог, очень похожий образец», – сказал Хасанзаде. "Если это приведет к дождю над Францией через три дня, прогноз будет дождем во Франции."
Он сказал, что одним из преимуществ использования глубокого обучения является то, что нейронной сети не нужно указывать, что искать.
«Неважно, что мы не до конца понимаем предшественников, потому что нейронная сеть научилась находить эти связи сама», – сказал Хасанзаде. "Он узнал, какие модели были критичными для экстремальных погодных условий, и использовал их, чтобы найти лучший аналог."
Чтобы продемонстрировать доказательство концепции, команда использовала данные модели, взятые из реалистичного компьютерного моделирования.
Команда сообщила о первых результатах со сверточной нейронной сетью, когда Чаттопадхай, ведущий автор нового исследования, услышал о капсульных нейронных сетях, новой форме глубокого обучения, которая с помпой дебютировала в конце 2017 года, отчасти потому, что она была детищем компании. Джеффри Хинтон, отец-основатель сверточного глубокого обучения на основе нейронных сетей.
В отличие от сверточных нейронных сетей, капсульные нейронные сети могут распознавать относительные пространственные отношения, которые важны для эволюции погодных условий. «Относительное положение моделей давления, максимумов и минимумов, которые вы видите на погодных картах, являются ключевым фактором в определении того, как меняется погода», – сказал Хасанзаде.
Еще одним значительным преимуществом капсульных нейронных сетей было то, что они не требуют такого количества обучающих данных, как сверточные нейронные сети.
Имеется всего около 40 лет высококачественных данных о погоде со спутников эры, и команда Хасанзаде работает над обучением своей капсульной нейронной сети на данных наблюдений и сравнивает свои прогнозы с прогнозами современных моделей ЧПП.
«Наша ближайшая цель – продлить время выполнения нашего прогноза до более чем 10 дней, когда модели ЧПП имеют слабые места», – сказал он.
Хотя требуется гораздо больше работы, прежде чем систему Райс можно будет включить в оперативное прогнозирование, Хасанзаде надеется, что в конечном итоге она сможет улучшить прогнозы волн тепла и других экстремальных погодных условий.
«Мы не предполагаем, что в конце концов это заменит ЧПП», – сказал он. "Но это может быть полезным руководством для ЧПП.
С вычислительной точки зрения это может быть очень дешевый способ предоставить некоторые рекомендации, раннее предупреждение, которое позволит вам сосредоточить ресурсы ЧПП именно там, где вероятна экстремальная погода."
Хасанзаде сказал, что его команда также заинтересована в том, чтобы выяснить, какие шаблоны использует капсульная нейронная сеть для своих прогнозов.
«Мы хотим использовать идеи объяснимого ИИ (искусственного интеллекта) для интерпретации того, что делает нейронная сеть», – сказал он. "Это может помочь нам определить предшественников экстремальных погодных условий и улучшить наше понимание их физики."