Et kunstigt neuralt netværk slutter sig til kampen mod vigende gletsjere

Hvad gør en neuron? I 1940'erne, i begyndelsen af ​​computeralderen, forskere gav ordet en anden betydning. I tilfælde af neurale netværk, de kunstige neuroner, der består af dem, er mere enkle, end man kunne forvente:strukturer en kodeenhed for at optage information, bedømme oplysningerne, give det videre, sæt derefter tusinder eller millioner af disse "neuroner" sammen og se, hvordan de begynder at udvise adfærd, der kunne beskrives som en form for intelligens. Kunstige neurale netværk bruges overalt omkring os, fra sprogoversættere til ansigtsgenkendelsessoftware til de skræddersyede indholdsfeeds, vi får på sociale medier.

Neurale netværk er begyndt at finde anvendelse i glaciologi, bliver et kritisk nyt værktøj i studiet af klimaændringer og deres virkninger på vigende gletsjere. En nylig udgivelse i Kryosfæren frigiver og evaluerer et nyt neuralt netværk kendt som Calving Front Machine (CALFIN), et program, der er i stand til automatisk at identificere de kælvende fronter af havafsluttende gletsjere fra årtiers satellitbilleder. Programmer som CALFIN kunne gøre det muligt at katalogisere og overvåge hastighederne for gletschertab over hele verden, selv på steder, som videnskabsmænd ikke har været i stand til at studere manuelt.

Daniel Cheng, en ph.d. studerende i datalogi ved University of California, Irvine og hovedforfatteren af ​​denne publikation, førte CALFINs udvikling til bragende succes. Dette neurale netværk er i stand til at genkende og måle kanterne af gletsjere i satellitbilleder af Jordens overflade næsten lige så godt som en uddannet videnskabsmand, bortset fra at den er selvstændig, hurtig, og kan pålideligt behandle utallige flere gletsjere, end noget menneske nogensinde kunne.

Kunstige neurale netværk er bemærkelsesværdigt kraftfulde værktøjer givet deres kernekomponenters enkelhed. Bygget på en ramme af input og output, hver enkelt neuron kan modtage output fra flere neuroner bag sig, fortsæt derefter med at veje hvert stykke information og syntetisere dem alle til en ny, enkelt udgang. Denne ligetil proces, styret af relativt basale regler for statistik, bliver i stand til at løse ekstraordinært komplekse problemer, når de stables og gentages nok gange. Opgaver, der tidligere var besværlige for et computerprogram, såsom at identificere karakteristika ved billeder, nu bliver det muligt, netop den evne, der kræves til at måle vigende gletschere fra de enorme datasæt, der er produceret af satellitundersøgelser.

Før et neuralt netværk har set sin tildelte opgave (identifikation af kælvningsfronter, for CALFIN), dens neuroner vil være ufaglærte i at genkende mønstre for at nå de korrekte konklusioner (i dette tilfælde, hvor præcis kælvningsfronten er placeret på billedet). I en bemærkelsesværdig parallel til læring hos menneskelige spædbørn, neurale netværk kan læres - en proces, der omtales som "træning" - at udføre opgaver med succes ved at blive vist hundreder eller tusindvis af disse korrekte konklusioner. Mere teknisk set, hvert efterfølgende korrekte eksempel, som det neurale netværk ser under træning, gør det muligt for det at forfine de individuelle parametre i hver neuron, hvilket giver hele netværket muligheden for at replikere den vej, når den vises en ny, ukendt eksempel.

CALFIN blev trænet til at genkende kælvningsfronter ved hjælp af titusindvis af billeder, tager over halvanden uge at gennemføre træningen og behandle det fulde datasæt, som spænder over 66 grønlandske bassiner og indeholder billeder fra 1972 til 2019 (inklusive 22, 678 samlede kælvningsfronter). Den menneskelige hjerne kan tage måneder at mestre en mønstergenkendelsesopgave; CALFIN neurale netværk behøver kun et spørgsmål om dage. Efter træning, CALFIN var i stand til at måle kælvningsfronter inden for et gennemsnit på 82 meter fra deres rigtige placeringer, en forbedring i forhold til tidligere modeller, der udviste fejl på mere end dobbelt så stor afstand på dette datasæt.

William Colgan, forskningsklimatolog ved Danmarks og Grønlands Geologiske Undersøgelse, er begejstret for denne teknologis fremskridt i overvågningen af ​​disse hurtigt skiftende gletsjermiljøer. "Jeg vil sige, at big data - maskinlæring generelt - vil virkelig ændre den måde, vi overvåger Grønlands Indlandsis, " skrev Colgan i et interview med GlacierHub. Han beskrev, hvordan historisk gletscherovervågning var fokuseret på "benchmark"-gletsjere, studeret manuelt af forskere ude i feltet, og upålidelige, når de skaleres op for at forstå regionale tendenser. "Jeg tror, ​​at maskinlæring nu tilbyder en robust måde at opskalere en håndfuld stedspecifikke observationer og observationer på procesniveau for at fortælle en større regional historie."

Hovedforfatter Cheng var fokuseret på bredere regionale kapaciteter gennem hele CALFINs udvikling, som han beskriver, at "et primært mål og bekymring var at sikre, at CALFIN kunne håndtere de mange forskellige miljøer, geografi, og problemer som skyer eller skygger." CALFIN har helt sikkert opnået dette mål. Ligesom den måde, hvorpå menneskelige hjerner kan genkende en persons identitet, selv når en del af deres ansigt er i stærkt sollys og en del i dyb skygge, CALFIN kan også bruge sin træning til at arbejde gennem et ufuldkomment eller delvist skygget billede og udlede den korrekte konklusion.

Cheng har ikke til hensigt at stoppe her, imidlertid, med næste trin for CALFIN, herunder forbedring af det neurale netværks nøjagtighed, udvinde forskellige funktioner såsom kystlinjer eller isbjerge, og udvider dets nuværende antal på næsten 23, 000 analyserede billeder.

Glaciologiens fremtid kan snart blive en fælles indsats mellem menneskelige forskere og kunstig intelligens, med glaciologer, der bruger fordelene ved menneskelig intuition og neurale netværks computerkraft til at styrke deres søgen efter forståelse. Som Colgan forklarer, maskinlæring er fantastisk, men det har altid brug for træningsdata. Kunstig intelligens er muligvis ikke i stand til at indsamle benchmarkobservationer, men det lover at gøre disse observationer mere videnskabeligt værdifulde og øge effektiviteten af ​​glacial overvågning. Hastigheden for Grønlands istab i dette århundrede vil være højere end i noget andet i løbet af de sidste 12, 000 år. Med konsekvenser denne grav, glaciologer har brug for alle tilgængelige ressourcer.

Denne historie er genudgivet med tilladelse fra Earth Institute, Columbia University http://blogs.ei.columbia.edu.