- Отримати посилання
- X
- Електронна пошта
- Інші додатки
- Отримати посилання
- X
- Електронна пошта
- Інші додатки
Розробники робленого розуму DeepMind у співробітництві з небознавцями навчили на радарних даних алгоритм передвиджувати час і місце утворення опадів у найближчі півтори години. Понад 50 знавців допомагали оцінювати дієвість нейромережі, яка перевищила 90 відсотків порівняно із узвичаєними способами віщування погоди. Свої висліди компанія видала у часописі Nature.
То як передвидіти погоду?
Погодознавці складають віщування погоди за даними цілої мережі для відстеження того, що відбувається на Землі. Це сукупність відомостей з водознавчих і поленебознавчих станцій, а також спостережень за змінами на землі, в повітрі і воді. І хоча зараз ми легко можемо дізнатися, чи стоїть брати дощник, вченим все ще складно справлятися з таким поняттям, як поточна погода — точність віщування до двох годин. Віщування поточної погоди впливає на діяльність майже всіх галузей життя, у тому числі служб невідкладної допомоги, енергоменеджмент, торгівлю, устрої раннього попередження про повені, авіадиспетчерські і морські служби. Дієве віщування поточної погоди має містити точні передвидення у декількох просторових і часових мірилах, залічити невизначеність і перевірятися імовірнісно. Особливо важливо, щоб він міг визначити ймовірність сильних опадів, які зустрічаються рідше, але набагато більш гостро впливають на життя. Сучасні оперативні способи віщування поточної погоди зазвичай звертають вгляд на адвекцію холодних, теплих, сухих і вологих повітряних мас за допомогою радіолокаційних оцінок вітру. Однак, вони не дають змоги вловити значні нелінійні події — конвективні явища, пов'язані зі спадними потоками повітря у смугах купчасто-дощових хмар. До таких відносяться і небезпечні явища поривів вітру, смерчів, граду та злив.
Хіба віщування погоди не задача для РР?
Дійсно, коли нам потрібно залічувати велику кількість показників і на їхній основі створювати припущення, найкраще це довірити робленому розуму. Нейронні мережі вже вміють це робити і їх жваво використовують. Однак не зважаючи на те, що вони точно пророкують опади низької сили, їх можливості обмежені розмитими віщуваннями. Вся справа у тому, що відомі й набагато більш точні способи ансамблевого віщування, які дозволяють не тільки більш точно передвиджувати стан оболоки, а й оцінити достовірність оцінки, на відміну від визначеного віщування, багаторазово відтворюють кілька моделей оболоки. І так у довгостроковій перспективі вони дійсно набагато більш дієві, але не можуть точно віщувати погоду на найближчі дві години просто тому що не встигають «розігнати» передвиджувальні алгоритми для створення декількох реалістичних прогнозів опадів з даних про стан оболоки.
Ще як можливість здалося використання додатково даних з радарів. Небознавча служба Великобританії отримує радарні зображення кожні п'ять хвилин, а алгоритми імовірнісного віщування поточної погоди, такі як PySTEPS, наприклад, моделюють за ними опади, порівнюючи фізику руху повітряних мас з радіоданими.
Однак відомості про нелінійні події неочікуваного виникнення конвекції і опадів вони надати не можуть. Їхні віщування здатні або передвидіти визначене місце, де стоїть очікувати опадів, або час, але не здатні робити це одночасно, що зменшує цінність їхніх віщувань. Вчені гадають, що одночасні узгоджені передвидення і у просторі, і у часі, можна отримати навчаючи ці моделі на великих масивах радіолокаційних спостережень, а не покладаючись на вспоруджувані фізичні припущення. На цьому і заснована нова робота розробників DeepMind.
То як передвидіти погоду?
Погодознавці складають віщування погоди за даними цілої мережі для відстеження того, що відбувається на Землі. Це сукупність відомостей з водознавчих і поленебознавчих станцій, а також спостережень за змінами на землі, в повітрі і воді. І хоча зараз ми легко можемо дізнатися, чи стоїть брати дощник, вченим все ще складно справлятися з таким поняттям, як поточна погода — точність віщування до двох годин. Віщування поточної погоди впливає на діяльність майже всіх галузей життя, у тому числі служб невідкладної допомоги, енергоменеджмент, торгівлю, устрої раннього попередження про повені, авіадиспетчерські і морські служби. Дієве віщування поточної погоди має містити точні передвидення у декількох просторових і часових мірилах, залічити невизначеність і перевірятися імовірнісно. Особливо важливо, щоб він міг визначити ймовірність сильних опадів, які зустрічаються рідше, але набагато більш гостро впливають на життя. Сучасні оперативні способи віщування поточної погоди зазвичай звертають вгляд на адвекцію холодних, теплих, сухих і вологих повітряних мас за допомогою радіолокаційних оцінок вітру. Однак, вони не дають змоги вловити значні нелінійні події — конвективні явища, пов'язані зі спадними потоками повітря у смугах купчасто-дощових хмар. До таких відносяться і небезпечні явища поривів вітру, смерчів, граду та злив.
Хіба віщування погоди не задача для РР?
Дійсно, коли нам потрібно залічувати велику кількість показників і на їхній основі створювати припущення, найкраще це довірити робленому розуму. Нейронні мережі вже вміють це робити і їх жваво використовують. Однак не зважаючи на те, що вони точно пророкують опади низької сили, їх можливості обмежені розмитими віщуваннями. Вся справа у тому, що відомі й набагато більш точні способи ансамблевого віщування, які дозволяють не тільки більш точно передвиджувати стан оболоки, а й оцінити достовірність оцінки, на відміну від визначеного віщування, багаторазово відтворюють кілька моделей оболоки. І так у довгостроковій перспективі вони дійсно набагато більш дієві, але не можуть точно віщувати погоду на найближчі дві години просто тому що не встигають «розігнати» передвиджувальні алгоритми для створення декількох реалістичних прогнозів опадів з даних про стан оболоки.
Ще як можливість здалося використання додатково даних з радарів. Небознавча служба Великобританії отримує радарні зображення кожні п'ять хвилин, а алгоритми імовірнісного віщування поточної погоди, такі як PySTEPS, наприклад, моделюють за ними опади, порівнюючи фізику руху повітряних мас з радіоданими.
Однак відомості про нелінійні події неочікуваного виникнення конвекції і опадів вони надати не можуть. Їхні віщування здатні або передвидіти визначене місце, де стоїть очікувати опадів, або час, але не здатні робити це одночасно, що зменшує цінність їхніх віщувань. Вчені гадають, що одночасні узгоджені передвидення і у просторі, і у часі, можна отримати навчаючи ці моделі на великих масивах радіолокаційних спостережень, а не покладаючись на вспоруджувані фізичні припущення. На цьому і заснована нова робота розробників DeepMind.
Що пропонує DeepMind?
Щоб створювати більш точні віщування, у DeepMind використовували глибинні генеративні моделі (deep generative models, DGMs). Це статистичні моделі, які вивчають ймовірність розподілу даних і дають змогу легко створювати вибірки з отриманих ними розподілів. Оскільки генеративні моделі є ймовірнісними, вони можуть моделювати безліч вибірок з даних спостережень радарів, створюючи набір віщувань, подібно ансамблевим методам.
Нова нейромережа робить віщування погоди, моделюючи можливі дані радара, з огляду на попередні радіолокаційні оцінки. Так вона бере чотири послідовних набори даних з радарів, а потім намагається зрозуміти, якими вони будуть у наступні півтори години. Для цього їй необхідні дві генеративні змагальні нейромережі. Замір першої — відрізняти окремі спостережувані радіолокаційні дані від згенерованих, а другої — розрізняти спостережувані і згенеровані радіолокаційні послідовності. Це забезпечує часову і просторову узгодженість, а також запобігає помилковим віщуванням. Підхід дуже схожий на нейромережі, які здатні створювати видиво — по суті, послідовність кадрів.
Так створена модель може віщувати погодні явища меншого мірила, які за своєю природою тяжко передвидіти, а також пророкує місце випадання опадів так само точно, як і устрої, налагоджені на цю задачу, зберігаючи при цьому просторово-часовий опис. Вона змогла передвидіти середні та сильні дощі за пів години, годину і півтори години, що вчені порівнювали з даними про погоду за 2019 рік. Потім вони провели двощаблеве опитування громадки з 56 знавців-небознавців з Небознавчого бюро Великобританії. Їх попросили порівняти прогнози нової нейромережі, прогнози вже існуючих моделей, а також і самим надали радарні дані. У висліді, у 93 відсотках випадків небознавці обирали віщування поточної погоди від створеної DeepMind моделі. Хоча зазначили, що такий генеративний спосіб хоч і обійшов попередні моделі, передвіщати сильні опади йому все ще вдається зле.
Щоб створювати більш точні віщування, у DeepMind використовували глибинні генеративні моделі (deep generative models, DGMs). Це статистичні моделі, які вивчають ймовірність розподілу даних і дають змогу легко створювати вибірки з отриманих ними розподілів. Оскільки генеративні моделі є ймовірнісними, вони можуть моделювати безліч вибірок з даних спостережень радарів, створюючи набір віщувань, подібно ансамблевим методам.
Нова нейромережа робить віщування погоди, моделюючи можливі дані радара, з огляду на попередні радіолокаційні оцінки. Так вона бере чотири послідовних набори даних з радарів, а потім намагається зрозуміти, якими вони будуть у наступні півтори години. Для цього їй необхідні дві генеративні змагальні нейромережі. Замір першої — відрізняти окремі спостережувані радіолокаційні дані від згенерованих, а другої — розрізняти спостережувані і згенеровані радіолокаційні послідовності. Це забезпечує часову і просторову узгодженість, а також запобігає помилковим віщуванням. Підхід дуже схожий на нейромережі, які здатні створювати видиво — по суті, послідовність кадрів.
Так створена модель може віщувати погодні явища меншого мірила, які за своєю природою тяжко передвидіти, а також пророкує місце випадання опадів так само точно, як і устрої, налагоджені на цю задачу, зберігаючи при цьому просторово-часовий опис. Вона змогла передвидіти середні та сильні дощі за пів години, годину і півтори години, що вчені порівнювали з даними про погоду за 2019 рік. Потім вони провели двощаблеве опитування громадки з 56 знавців-небознавців з Небознавчого бюро Великобританії. Їх попросили порівняти прогнози нової нейромережі, прогнози вже існуючих моделей, а також і самим надали радарні дані. У висліді, у 93 відсотках випадків небознавці обирали віщування поточної погоди від створеної DeepMind моделі. Хоча зазначили, що такий генеративний спосіб хоч і обійшов попередні моделі, передвіщати сильні опади йому все ще вдається зле.