هوش مصنوعی می تواند انقلابی در دریا یخ هشدارهای

تصویر: یخهای قطبی دریا. مشاهده بیشتر اعتبار: Jørn برگر-Nyvoll, UiT برای رگ های خونی است که سفر به دری

توسط MOHAMADREZASITE در 29 خرداد 1399
IMAGE

تصویر: یخهای قطبی دریا. مشاهده بیشتر

اعتبار: Jørn برگر-Nyvoll, UiT

برای رگ های خونی است که سفر به دریاهای قطبی نگه داشتن کنترل گسترش از یخ دریا بسیار مهم است به این معنی که منابع زیادی صرف شده برای جمع آوری اطلاعات و تعیین تحولات آینده به ارائه قابل اعتماد یخ دریا هشدار.

- همانطور که در حال حاضر بزرگ منابع مورد نیاز برای ایجاد این یخ هشدارها و بسیاری از آنها ساخته شده توسط مؤسسه هواشناسی نروژی و مشابه مراکز Sindre Markus Fritzner به ما می گوید که یک دکترای پژوهش محقق در UiT قطب شمال دانشگاه نروژ است.

او شاغل در گروه فیزیک و فن آوری و به تازگی ارائه پایان نامه دکترا که در آن او را نگاه کرد در این گزینه با استفاده از هوش مصنوعی به یخ, هشدار سریع تر بهتر و در دسترس تر از آنها هستند.

نیاز به ابر رایانه

یخ هشدارهای امروز استفاده می شود به طور سنتی بر اساس پویا مدل های کامپیوتر است که در حال تغذیه با مشاهدات ماهواره ای از یخ پوشش و هر آنچه که به روز رسانی داده ها را می توان جمع آوری شده در مورد ضخامت یخ و برف عمق. این تولید مقدار قابل توجهی از داده ها که پس از آن نیاز به پردازش توسط ابر رایانه قدرتمند به ارائه محاسبات.

- پویا مدل ها مدل های فیزیکی و نیاز به مقدار زیادی از داده ها را پردازش می شود. اگر شما در حال رفتن به هشدار در مورد حوادث آینده شما نیاز به استفاده از یک ابر رایانه, Fritzner توضیح می دهد.

این است که محدود و پر هزینه منابع است که باعث می شود این هشدارها غیر ممکن است برای انجام این کار بدون دسترسی به منابع مناسب.

هوش مصنوعی باعث می شود محاسبات در دسترس به طور منظم و لپ تاپ

Fritzner نگاه کرد که چگونه هوش مصنوعی را می توان مورد استفاده برای ارائه این دریای یخ هشدار سریع تر بهتر و ارزان تر از همیشه - به طور منظم و لپ تاپ.

یادگیری ماشین است که تخصصی در زمینه هوش مصنوعی که در آن از روشهای آماری استفاده می شود اجازه دهید به کامپیوتر پیدا کردن الگوها و coherences در مجموعه بزرگی از داده ها. دستگاه یاد می گیرد به جای اینکه برنامه ریزی شده و از آن همه پایین می آید به توسعه الگوریتم است که قادر به کامپیوتر از یادگیری و محاسبات را بر اساس داده های تجربی.

در Fritzner کار برای مثال او در لود اطلاعات به ببینید که چگونه یکی از هفته های خاص گشوده خواهد شد و سپس داده ها را برای, چگونه آن را نگاه کنید یک هفته بعد از آن.

- این است انسجام در توسعه بین این هفته که ماشین های یادگیری خود را در این راه می تواند پیش بینی کند که چگونه آن را تکامل می یابد Fritzner می گوید.

هنگامی که به طور کامل توسعه یافته این الگوریتم را تقاضا به مراتب کمتر قدرت محاسباتی از سنتی مدل فیزیکی.

- اگر شما با استفاده از هوش مصنوعی و آموزش کامل مدل شما می توانید اجرای چنین محاسبه منظم لپ تاپ Fritzner می گوید.

هر کشتی می توانید محاسبات خود به خود

این باز می شود تا برای چند زمینه استفاده از یکی از آنها که دقیق تر گزارش آب و هوا در شمال. Fritzner همچنین اشاره می کند که این را می توان با استفاده از صنعت حمل و نقل است که عمل به لبهای یخ در منطقه است که این شکل از ترافیک است که تنها افزایش خواهد یافت.

- یکی از نمونه های کروز ترافیک که در آن از آن خواهد شد بسیار مهم برای کشتی های کروز به دانستن که در آن یخ است که در آن حرکت خواهد کرد در چند روز آینده, Fritzner می گوید.

به عنوان آن می ایستد, وضوح بالا مدل نمی تواند اجرا بر روی کشتی. آنها باید برای تماس با مؤسسه هواشناسی نروژی که پس از آن نیاز به اجرای این مدل در یک ابر رایانه ها قبل از آنها انتقال داده ها به رگ.

- اگر شما در یک کشتی در دریای بارنتز شما وابسته بودن به یک شبکه متصل به دانلود از هشدارهای هواشناسی نروژی موسسه.

اگر مجهز به برنامه مناسب و هوش مصنوعی این را می توان از کشتی خود را با تقریبا هیچ قدرت محاسباتی مورد نیاز در همه Fritzner می گوید.

بیشتر توسعه مورد نیاز

اگر چه این تحقیقات تا کنون به نظر می رسد امیدوار کننده این نتایج هنوز نه به عنوان خوب به عنوان روش های سنتی اما تکامل از یادگیری ماشین/هوش مصنوعی است که رسیدن کامل بخار و Fritzner هیچ شک و تردید در مورد توانایی های بالقوه خود را.

- تجارب تا کنون خوب است اما کامل نیست. آنچه مشاهده کردم که در مقایسه با یادگیری ماشین و سنتی مدل های فیزیکی بود که آنها بسیار سریع تر و تا زمانی که تغییرات در یخ کوچک بودند از یادگیری ماشین عمل خوبی است. زمانی که این تغییرات بیشتر با تعداد زیادی از ذوب این مدل تلاش بیشتر نسبت به مدل های فیزیکی Fritzner توضیح می دهد.

او را به چالش از مدل های در حال اجرا بر روی هوش مصنوعی تنها با تکیه بر داده های تاریخی در حالی که مدل های فیزیکی به طور مداوم در حال اقتباس به تغییرات ژئوفیزیکی مانند افزایش ذوب شدن و تغییرات سریع برای آب و هوا.

در آزمایش های خود Fritzner داده ها استفاده می شود مانند دما و غلظت یخ دریا و دریا و هوا ، او معتقد است که همکاران را می توان با افزایش اضافه کردن اطلاعات بیشتر به این مدل به طوری که آن را به یک مجموعه بزرگتر از داده ها برای هشدارهای آن را فراهم می کند.

- به خصوص اگر شما اضافه کردن باد و ضخامت یخ های یادگیری ماشین خیلی بهتر کار خواهد کرد او می گوید.

او معتقد است که بیشتر در تحقیق و توسعه را رها پتانسیل زیادی نهفته است که در این شکل از یادگیری ماشین.

###

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.



tinyurlis.gdu.nuclck.ruulvis.netshrtco.de
آخرین مطالب