[ad_1]
پروتئین ابتدا جمع می شود و اکنون پیش بینی آب و هوا ؛ شرکت اطلاعاتی ساخت انگلیس ، DePaymand ، به مطالعه مسائل علمی دشوار 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 سخت ترین مسائل پیش بینی آب و هوا است.
کارشناسان پیش بینی های DGMR را با ابزارهای موجود مقایسه می کنند. بر اساس نتایج ، DGMR در 89 درصد مواقع بر اساس معیارهایی مانند پیش بینی مکان ، وسعت ، حرکت و شدت بارندگی بهتر بود. این مطالعه در مجله Nature منتشر شده است. یکی از دستاوردهای اخیر AlphaFold Depot حل مشکل بیولوژیکی مهمی است که مدتها ذهن دانشمندان را درگیر کرده است. دستاوردهای اخیر این شرکت در زمینه پیش بینی آب و هوا نیز بسیار مهم است.
پیش بینی آب و هوا ، به ویژه بارش شدید ، برای بسیاری از صنایع مهم است ، از رویدادهای خارج از منزل گرفته تا خدمات هوانوردی و اورژانس. اما پیش بینی دقیق دشوار است. محاسبه مقدار آب در آسمان و زمان و مکان بارش به فرایندهای مختلف آب و هوایی مانند تغییرات دما و تشکیل ابر و باد بستگی دارد. همه این معیارها واقعاً پیچیده هستند. اما اگر ترکیب شود ، پیچیده می شود.
در بهترین روش پیش بینی ، از شبیه سازی های کامپیوتری فیزیک جوی استفاده می شود. این شبیه سازی را می توان با پیش بینی بلند مدت استفاده کرد. اما در مورد پیش بینی آب و هوا در دو ساعت آینده چندان دقیق نبود. روشهای یادگیری عمیق در گذشته توسعه یافته است. اما این روش تنها در یک معیار ، مانند پیش بینی آب و هوا ، و نه در همه موارد ، بهتر عمل می کند.
مقایسه DGMR با داده های واقعی رادار و دو روش پیش بینی بارندگی در شرق ایالات متحده در آوریل 2019
تیم دیپایند هوش مصنوعی را بر اساس داده های رادار آموزش داده است. بسیاری از کشورها در طول روز تصاویر اندازه گیری راداری را منتشر می کنند که تشکیل و حرکت ابرها را ردیابی می کند. به عنوان مثال ، به زبان انگلیسی ، هر پنج دقیقه یک بار خوانده می شود. با ترکیب این تصاویر ، آخرین ویدئوهایی که حرکت الگوهای بارندگی را در سراسر کشور نشان می دهد به دست می آید و بسیار شبیه به پیش بینی های تصویری تلویزیونی است.
محققان داده ها را وارد شبکه ای کردند که عمیق تولید می کرد. این شبکه شبیه به GAN است ، یک هوش مصنوعی آموزش دیده که نمونه های اولیه را تولید می کند. مثال بسیار شبیه به داده های آموزش دیده شبکه واقعی است. GAN برای تولید چهره های جعلی استفاده می شود. در این سناریو ، DGMR (مخفف مدل تولید بارندگی عمیق) برای ایجاد یک تصویر فوری راداری که دنباله اندازه گیری واقعی را دنبال می کند ، مطالعه کرده است. مطابق با شاکر محمد |این روند مانند تماشای برخی از فریم های فیلم و پیش بینی سایرین است.
برای آزمایش این روش ، محققان از 56 پیش بینی هواشناسی در مت آفیس درخواست کردند تا DGMR را با شبیه سازی های فیزیکی جدید پیش بینی نقاط کور و ابزارهای یادگیری عمیق مقایسه کنند ، در حالی که 89 درصد از شرکت کنندگان نتایج DGMR را ترجیح می دهند. نایل رابینسون، یکی از نویسندگان نظارتی تحقیق و نوآوری محصول در مت آفیس ، در مورد موارد زیر می گوید:
الگوریتم های یادگیری ماشین یک مقیاس ساده را برای ارزیابی پیش بینی آزمایش و بهینه می کند. با این حال ، پیش بینی های هواشناسی به روش های مختلف هم نتایج خوب و هم بد را به همراه دارد. شاید یکی از پیش بینی ها تشخیص صحیح باران در موقعیت صحیح باشد. اما اگر شخص شدت بارش را اشتباه تشخیص دهد یا ترکیب صحیح شدتها را تعیین کند. اما ارزیابی شرایط بارندگی نادرست است. به همین دلیل ، در این مطالعه ، حداکثر تلاش ما ارزیابی الگوریتم بر اساس معیارهای مختلف بود.
مقالات مرتبط:
همکاری DePaymand با Met Office نمونه خوبی از توسعه هوش مصنوعی هنگام کار با کاربران نهایی است. سالهاست که محققان روی این پروژه کار می کنند و داده های کارشناسان مت آفیس این پروژه را شکل می دهد. اینجا کلیک کنیددانشمند تحقیق دپایمند:
این داده ها به طرق مختلف بر توسعه مدل ما تأثیر گذاشت. در غیر این صورت ، ممکن است با مدلی روبرو شویم که عملکردی ندارد.
DePaymand همچنین به دنبال استفاده از هوش مصنوعی در برنامه های کاربردی در دنیای واقعی است. برای شاکر ، DGMR داستانی مشابه AlphaFold دارد. شاید بزرگترین دستاورد DePaymand آغاز اجرای علمی آن در واقعیت باشد.
[ad_2]
