La IA de DeepMind predice casi exactamente cuándo y dónde va a llover

Getty

Primero plegamiento de proteínas , ahora pronóstico del tiempo: la firma de inteligencia artificial con sede en Londres DeepMind continúa su carrera aplicando el aprendizaje profundo a problemas de ciencia dura. Trabajando con Met Office, el servicio meteorológico nacional del Reino Unido, DeepMind ha desarrollado una herramienta de aprendizaje profundo llamada DGMR que puede predecir con precisión la probabilidad de lluvia en los próximos 90 minutos, uno de los desafíos más difíciles del pronóstico del tiempo.

En una comparación ciega con las herramientas existentes, varias docenas de expertos consideraron que los pronósticos de DGMR eran los mejores en una variedad de factores, incluidas sus predicciones de ubicación, extensión, movimiento e intensidad de la lluvia, el 89 % del tiempo. Los resultados fueron publicado en un papel de Nature hoy dia.

La nueva herramienta de DeepMind no es AlphaFold, que abrió un problema clave en biología que los científicos habían estado luchando durante décadas. Sin embargo, incluso una pequeña mejora en los pronósticos es importante.

Pronosticar lluvia, especialmente lluvia intensa, es crucial para muchas industrias, desde eventos al aire libre hasta aviación y servicios de emergencia. Pero hacerlo bien es difícil. Averiguar cuánta agua hay en el cielo y cuándo y dónde va a caer depende de una serie de procesos meteorológicos, como los cambios de temperatura, la formación de nubes y el viento. Todos estos factores son bastante complejos por sí mismos, pero son aún más complejos cuando se toman en conjunto.

Las mejores técnicas de pronóstico existentes utilizan simulaciones informáticas masivas de la física atmosférica. Estos funcionan bien para el pronóstico a más largo plazo, pero son menos buenos para predecir lo que sucederá en la próxima hora más o menos, lo que se conoce como predicción inmediata. Se han desarrollado técnicas previas de aprendizaje profundo, pero por lo general funcionan bien en una cosa, como predecir la ubicación, a expensas de otra cosa, como predecir la intensidad.

Comparación de DGMR con datos de radar reales y dos técnicas de pronóstico rivales para fuertes lluvias en el este de EE. UU. en abril de 2019

MENTE PROFUNDA

El pronóstico inmediato de la precipitación sigue siendo un desafío importante para los meteorólogos, dice Greg Carbin, jefe de operaciones de pronóstico en el Centro de Predicción Meteorológica de la NOAA en los EE. UU., quien no participó en el trabajo.

El equipo de DeepMind entrenó su IA en datos de radar. Muchos países publican instantáneas frecuentes a lo largo del día de las mediciones de radar que rastrean la formación y el movimiento de las nubes. En el Reino Unido, por ejemplo, se publica una nueva lectura cada cinco minutos. La combinación de estas instantáneas proporciona un video de stop-motion actualizado que muestra cómo se mueven los patrones de lluvia en un país, similar a las imágenes de pronóstico que ve en la televisión.

Los investigadores alimentaron estos datos a una red generativa profunda, similar a una GAN, un tipo de IA que está entrenada para generar nuevas muestras de datos que son muy similares a los datos reales con los que fue entrenada. Las GAN se han utilizado para generar caras falsas , incluso falsos Rembrandts. En este caso, DGMR (que significa modelo generativo profundo de lluvia) aprendió a generar instantáneas de radar falsas que continuaron la secuencia de mediciones reales. Es la misma idea que ver algunos fotogramas de una película y adivinar qué vendrá después, dice Shakir Mohamed, quien dirigió la investigación en DeepMind.

Para probar el enfoque, el equipo pidió a 56 meteorólogos de la Met Office (que no estaban involucrados en el trabajo) que calificaran a DGMR en una comparación ciega con los pronósticos hechos por una simulación física de última generación y un rival profundo. -Herramienta de aprendizaje; El 89% dijo que prefería los resultados dados por la DGMR.

Los algoritmos de aprendizaje automático generalmente prueban y optimizan para una medida simple de qué tan buena es su predicción, dice Niall Robinson, jefe de asociaciones e innovación de productos en Met Office, quien es coautor del estudio. Sin embargo, los pronósticos del tiempo pueden ser buenos o malos de muchas maneras diferentes. Tal vez un pronóstico obtenga la precipitación en el lugar correcto pero con la intensidad incorrecta, u otro obtenga la combinación correcta de intensidades pero en los lugares incorrectos, y así sucesivamente. Hicimos un gran esfuerzo en esta investigación para evaluar nuestro algoritmo contra un amplio conjunto de métricas.

Historia relacionada

DeepMind dice que liberará la estructura de cada proteína conocida por la ciencia

La compañía ya ha utilizado su IA de plegamiento de proteínas, AlphaFold, para generar estructuras para el proteoma humano, así como levaduras, moscas de la fruta, ratones y más.

La colaboración de DeepMind con Met Office es un buen ejemplo de desarrollo de IA realizado en colaboración con el usuario final, algo que obviamente parece una buena idea pero que a menudo no sucede. El equipo trabajó en el proyecto durante varios años y los aportes de los expertos de Met Office dieron forma al proyecto. Impulsó el desarrollo de nuestro modelo de una manera diferente a la que hubiéramos hecho por nuestra cuenta, dice Suman Ravuri, científica investigadora de DeepMind. De lo contrario, podríamos haber hecho un modelo que finalmente no fue particularmente útil.

DeepMind también está ansioso por demostrar que su IA tiene aplicaciones prácticas. Para Shakir, DGMR es parte de la misma historia que AlphaFold: la compañía está sacando provecho de sus años de resolución de problemas difíciles en los juegos. Quizás la conclusión más importante aquí es que DeepMind finalmente está comenzando a marcar una lista de problemas científicos del mundo real.

esconder