Gennembrud af kunstig intelligens giver længere forhåndsadvarsel om ozonproblemer

Ozonniveauer i jordens troposfære (det laveste niveau i vores atmosfære) kan nu forudsiges med nøjagtighed op til to uger i forvejen, en bemærkelsesværdig forbedring i forhold til nuværende systemer, der nøjagtigt kan forudsige ozonniveauer kun tre dage frem. Det nye kunstige intelligenssystem, der er udviklet i University of Houstons Air Quality Forecasting and Modeling Lab, kan føre til forbedrede måder at kontrollere høje ozonproblemer på og endda bidrage til løsninger på klimaforandringer.

"Dette var meget udfordrende. Ingen havde gjort dette tidligere. Jeg tror, ​​vi er de første til at forsøge at forudsige overfladeozonniveauer to uger i forvejen, " sagde Yunsoo Choi, professor i atmosfærisk kemi og AI deep learning ved UH's College of Natural Sciences and Mathematics. Resultaterne er offentliggjort online i det videnskabelige tidsskrift, Videnskabelige rapporter .

ozon, en farveløs gas, er behjælpelig på rette sted og mængde. Som en del af jordens stratosfære ("ozonlaget"), den beskytter ved at bortfiltrere UV-stråling fra solen. Men når der er høje koncentrationer af ozon nær jordens overflade, det er giftigt for lunger og hjerter.

"Ozon er et sekundært forurenende stof, og det kan påvirke mennesker på en dårlig måde, " forklarede doktorand Alqamah Sayeed, en forsker i Chois laboratorium og den første forfatter til forskningspapiret. Eksponering kan føre til halsirritation, vejrtrækningsbesvær, astma, selv luftvejsskader. Nogle mennesker er særligt modtagelige, inklusive de helt unge, ældre og kronisk syge.

Ozonniveauer er blevet en hyppig del af daglige vejrmeldinger. Men i modsætning til vejrudsigter, som kan være rimeligt nøjagtige op til 14 dage frem, ozonniveauer er kun blevet forudsagt to eller tre dage i forvejen – indtil dette gennembrud.

Den store forbedring i prognoser er kun en del af historien om denne nye forskning. Den anden er, hvordan holdet fik det til at ske. Konventionel prognose bruger en numerisk model, hvilket betyder, at forskningen er baseret på ligninger for bevægelsen af ​​gasser og væsker i atmosfæren.

Begrænsningerne var indlysende for Choi og hans team. Den numeriske proces er langsom, gør resultater dyre at opnå, og nøjagtigheden er begrænset. "Nøjagtigheden med den numeriske model begynder at falde efter de første tre dage, " sagde Choi.

Forskerholdet brugte en unik tabsfunktion i udviklingen af ​​maskinlæringsalgoritmen. En tabsfunktion hjælper med at optimere AI-modellen ved at kortlægge beslutninger til deres tilknyttede omkostninger. I dette projekt, forskere brugte enighedsindeks, kendt som IOA, som tabsfunktionen for AI-modellen frem for konventionelle tabsfunktioner. IOA er en matematisk sammenligning af kløfter mellem, hvad der forventes, og hvordan tingene rent faktisk bliver.

Med andre ord, teammedlemmer tilføjede historiske ozondata til forsøgene, efterhånden som de gradvist forfinede programmets reaktioner. Kombinationen af ​​den numeriske model og IOA som tabsfunktion gjorde det i sidste ende muligt for AI-algoritmen nøjagtigt at forudsige resultaterne af virkelige ozonforhold ved at genkende, hvad der skete før i lignende situationer. Det ligner meget, hvordan menneskets hukommelse er bygget op.

"Tænk på en ung dreng, der ser en kop varm te på et bord og prøver at røre ved den af ​​nysgerrighed. I det øjeblik barnet rører ved koppen, han indser, at det er varmt og ikke bør røres direkte. Gennem den oplevelse, barnet har trænet sit sind, " sagde Sayeed. "I en meget grundlæggende forstand, det er det samme med AI. Du giver input, computeren giver dig output. Over mange gentagelser og rettelser, processen forfines over tid, og AI-programmet kommer til at 'vide', hvordan det skal reagere på forhold, der er blevet præsenteret før. På et grundlæggende niveau, kunstig intelligens udvikler sig på samme måde, som barnet lærte ikke at have så travlt med at snuppe den næste kop varm te."

I laboratoriet, holdet brugte fire til fem års ozondata i det, Sayeed beskrev som "en udviklingsproces" med at lære AI-systemet at genkende ozonforhold og estimere prognoserne, bliver bedre med tiden.

"At anvende dyb læring til luftkvalitet og vejrudsigt er som at søge efter den hellige gral, ligesom i filmene, " sagde Choi, der er stor fan af actionplot. "I laboratoriet, vi gik igennem nogle svære tider i nogle år. Der er en proces. Endelig, vi har fat i den hellige gral. Dette system virker. AI-modellen 'forstår', hvordan man forecaster. Trods mange års arbejde, det føles stadig som en overraskelse for mig, selv i dag."

Før succes i laboratoriet kan føre til en virkelig service, mange kommercielle skridt er forude, før verden kan drage fordel af opdagelsen.

"Hvis du kender fremtiden - luftkvaliteten i dette tilfælde - kan du gøre en masse ting for samfundet. Dette kan være meget kritisk for denne planet. Hvem ved? Måske kan vi finde ud af, hvordan vi løser problemet med klimaændringer. fremtiden kan gå videre end vejrudsigter og ozonprognoser. Dette kan hjælpe med at gøre planeten sikker, " sagde Choi.

Det lyder som en lykkelig slutning for enhver god actionhistorie.