Syvän oppimisen järjestelmä voi ennustaa ääritilanteita tarkasti

Rice-yliopiston insinöörit ovat kehittäneet syvän oppimisen järjestelmän, joka pystyy ennustamaan ääritilanteita viisi päivää etukäteen. Järjestelmä, joka on opetettu itse, vaatii vain vähän tietoa nykyisistä sääolosuhteista, jotta se voi tehdä ennusteita.

Järjestelmän koulutus sisältää satojen karttaparien tarkastelun, ja kunkin kartan osoittaa pinnan lämpötilat ja ilmanpaineet viiden kilometrin korkeudessa. Nämä olosuhteet näytetään useita päiviä erillään. Koulutus esittää myös skenaarioita, jotka johtivat ääritilanteisiin, kuten kuumiin ja kylmiin jaksoihin, jotka voivat aiheuttaa hellettä ja talvimyrskyjä. Koulutuksen jälkeen syvä oppimisen järjestelmä pystyi tekemään viiden päivän ennusteita ääritilanteista, joita se ei ollut aiemmin nähnyt, 85 prosentin tarkkuudella.

Tutkimuksen yhteiskirjoittaja Pedram Hassanzadeh kertoo, että järjestelmä voidaan käyttää työkaluna ja varoittaa sääennustajia. Se on erityisen hyödyllinen ymmärtääkseen tiettyjä ilmakehän olosuhteita, jotka aiheuttavat ääritilanteita.

Tietokonepohjaisen numeerisen sääennusteen (NWP) keksimisen jälkeen 1950-luvulla päivittäiset sääennusteet ovat parantuneet. NWP ei kuitenkaan pysty tekemään luotettavia ennusteita ääritilanteista, kuten hellettä.

“On mahdollista, että tarvitsemme nopeampia supertietokoneita ratkaisemaan numeerisen sääennusteen malleja korkeammalla resoluutiolla”, Hassanzadeh sanoo. “Mutta koska emme täysin ymmärrä ääritilanteiden fysiikkaa ja edeltävien olosuhteiden, on myös mahdollista, että yhtälöt eivät ole täysin tarkat, eivätkä ne tuota parempia ennusteita, riippumatta siitä, kuinka paljon laskentakapasiteettia käytämme.”

Vuonna 2017 Hassanzadeh liittyi tutkimukseen yhdessä tutkimuksen yhteiskirjoittajien ja jatko-opiskelijoiden Ashesh Chattopadhyayn ja Ebrahim Nabizadehin kanssa. Yhdessä he lähtivät eri polulle.

“Kun saadaan hellettä tai kylmää, usein näkee sääkartalla outoja ilmiöitä, kuten suuria aaltoja tai suuren matalapaineen, joka ei liiku ollenkaan”, Hassanzadeh sanoo. “Tuntui siltä, että tämä on kuviotunnistusongelma. Päätimme yrittää uudelleenmuotoilla ääritilanneennustetta kuviotunnistusongelmaksi eikä numeeriseksi ongelmaksi.”

“Päätimme kouluttaa mallimme näyttämällä sille paljon painepatterneja viiden kilometrin korkeudessa maanpinnasta, ja kertoimme sille, kullekin, ‘Tämä ei aiheuttanut ääritilannetta. Tämä aiheutti hellettä Kaliforniassa. Tämä ei aiheuttanut mitään. Tämä aiheutti kylmän jakson Koillis-Yhdysvalloissa'”, Hassanzadeh jatkoi. “Ei mitään tarkkaa kuten Houston vs. Dallas, vaan enemmän alueellinen tunne.”

Ennen tietokoneita analoginen ennustaminen käytettiin sääennustamiseen. Se tehtiin hyvin samalla tavalla kuin uusi järjestelmä, mutta se tehtiin ihmisvoimin.

“Yksi tapa, jolla ennustaminen tehtiin ennen tietokoneita, oli tarkastella painepatterneja tänään ja etsiä vastaavaa patternea aiemmista patterneista ja vertailla niitä”, Hassanzadeh sanoo. “Jos se aiheutti sateita Ranskassa kolmen päivän kuluttua, ennuste oli sade Ranskassa.”

Nykyään neuroverkkomallit voivat oppia itsestään eivätkä välttämättä tarvitse ihmisten apua löytääkseen yhteyksiä.

“Se ei ollut väliä, ettemme täysin ymmärrä edeltäviä olosuhteita, koska neuroverkko oppi löytämään ne yhteydet itse”, Hassanzadeh sanoo. “Se oppi, mitkä kuviot olivat kriittisiä ääritilanteissa, ja se käytti niitä löytääkseen parhaimman vastineen.”

Tutkijaryhmä testasi konseptiaan käyttämällä dataa, joka oli otettu realistisista tietokonesimulaatioista. He ilmoittivat aluksi varhaisia tuloksia konvoluutionaalisella neuroverkolla, mutta siirtyivät sitten kapseliverkkoihin. Konvoluutionaaliset neuroverkkomallit eivät pysty tunnistamaan suhteellisia spatiaalisia suhteita, mutta kapseliverkkomallit voivat. Nämä suhteelliset spatiaaliset suhteet ovat tärkeitä sääilmiöiden kehittymisessä.

“Painepattereiden suhteelliset sijainnit, korkeat ja matalat, jotka näkyvät sääkartalla, ovat avainasemassa määrittämässä, miten sää kehittyy”, Hassanzadeh sanoo.

Kapseliverkkomallit vaativat myös vähemmän koulutusdataa kuin konvoluutionaaliset neuroverkkomallit.

Tutkijaryhmä jatkaa järjestelmän kehittämistä, jotta se voidaan käyttää operatiivisessa ennustamisessa, mutta Hassanzadeh toivoo, että se lopulta johtaa tarkempiin ennusteisiin ääritilanteista.

“Emme väitä, että tämä korvaa NWP:n lopulta”, hän sanoo. “Mutta tämä voi olla hyödyllinen opas NWP:lle. Laskennallisesti tämä voi olla erittäin halpa tapa antaa joitain ohjeita, varoitus, joka mahdollistaa NWP-resurssien kohdentamisen nimenomaan sinne, missä ääritilanne on todennäköinen.”

“Halumme hyödyntää selitettävän tekoälyn ideoita tulkita, mitä neuroverkko tekee”, hän sanoo. “Tämä voi auttaa meitä tunnistamaan ääritilanteiden edeltävät olosuhteet ja parantamaan ymmärrystämme niiden fysiikasta.”