هوش مصنوعي صنعت پزشكي، آب و هوا را پيش‌بيني مي‌كند
هوش مصنوعي با استفاده از فناوري اسكن مغز، پيش‌بيني دقيق آب و هواي ۵ روز آينده را در چند ثانيه انجام مي‌دهد. به گزارش ايسنا، پيش‌بيني آب و هوا ممكن است به لطف يك منبع غيرمنتظره، ارتقاء قابل توجهي پيدا كند.
هوش مصنوعي با استفاده از فناوري اسكن مغز، پيش‌بيني دقيق آب و هواي ۵ روز آينده را در چند ثانيه انجام مي‌دهد. به گزارش ايسنا، پيش‌بيني آب و هوا ممكن است به لطف يك منبع غيرمنتظره، ارتقاء قابل توجهي پيدا كند. اين منبع همان هوش مصنوعي است كه براي بررسي اسكن‌هاي مغزي پزشكي استفاده مي‌شود. دانشمندان چيني يك سامانه هوش مصنوعي جديد را توسعه داده‌اند كه مي‌تواند پيش‌بيني‌هاي آب و هواي پنج روزه را در عرض چند ثانيه توليد كند، در حالي كه مدل‌هاي ابررايانه‌اي قديمي كه هزينه‌هاي عملياتي ميليون دلاري دارند، ساعت‌ها يا روزها براي انجام چنين كاري به زمان نياز دارند. به نقل از اس‌اف، اين مطالعه نحوه پيش‌بيني آب و هوا، از باران آخر هفته گرفته تا توفان‌هاي خطرناك توسط هواشناسان را تغيير مي‌دهد. در حالي كه خدمات هواشناسي در سراسر جهان به سامانه‌هاي عظيم پيش‌بيني عددي آب و هوا متكي هستند كه معادلات پيچيده فيزيك را حل مي‌كنند، اين روش جديد الگوها را مستقيماً از دهه‌ها داده‌هاي تاريخي آب و هوا ياد مي‌گيرد. دانشمندان گفتند: روش‌هاي مبتني بر يادگيري عميق به جايگزين‌هايي براي سامانه‌هاي سنتي پيش‌بيني عددي آب و هوا تبديل شده‌اند كه محاسبات سريع‌تر و قابليت استفاده از مجموعه داده‌هاي تاريخي بزرگ را ارايه مي‌دهند. روش‌هاي پيش‌بيني قديمي به دليل تقريبات در فرآيندهاي پيچيده جوي و ماهيت آشوبناك جو كه خطاها را در زمان‌هاي طولاني‌تر افزايش مي‌دهد، با محدوديت‌هايي روبرو هستند.
فناوري هوش مصنوعي پزشكي پيش‌بيني آب و هوا را بهبود بخشيد
اين تيم مطالعاتي به سرپرستي «كنگ‌چي كائو» (Congqi Cao) از «دانشگاه پلي‌تكنيك شيان» (Xi’an) در چين دريافت كه مدل‌هاي هوش مصنوعي كه در ابتدا براي شناسايي تومورها و تجزيه و تحليل اسكن مغز طراحي شده بودند، در تشخيص الگوهاي آب و هوايي در مناطق مختلف برتري دارند. اين مدل‌هاي تصويربرداري پزشكي در پيش‌بيني‌هاي منطقه‌اي با داده‌هاي تاريخي محدود، بر سامانه‌هاي هوش مصنوعي مخصوص آب و هوا سنتي برتري داشتند. مدل‌هاي جهاني آب و هواي سنتي براي كار با مجموعه داده‌هاي عظيم كه كل سياره را پوشش مي‌دهند طراحي شده‌اند، اما هنگام تمركز بر مناطق خاصي كه داده‌ها ممكن است كمياب باشند، دچار مشكل مي‌شوند. هوش مصنوعي تصويربرداري پزشكي به خوبي براي پيش‌بيني آب و هوا كار مي‌كند، زيرا هر دو شامل شناسايي الگوهاي پيچيده در داده‌هاي چندبعدي هستند. اين شناسايي‌ها هم مي‌تواند شامل تمايز بافت سالم از تومورها باشد و هم مي‌تواند شامل تشخيص شرايط جوي كه نشان‌دهنده توفان‌هاي قريب‌الوقوع است، باشد.
رويكرد جديد پيش‌بيني خطاها را كاهش مي‌دهد
پژوهشگران به جاي تكيه بر روش‌هاي سنتي كه يا تمام گام‌هاي زماني آينده را به يك‌باره پيش‌بيني مي‌كنند يا پيش‌بيني‌ها را گام به گام مي‌سازند همراه با خطاهاي انباشته شده، رويكرد جديد «پيش‌بيني آبشاري» (cascade prediction) را توسعه دادند. اين روش پيش‌بيني، پنج روز آينده را با مدل‌هاي هوش مصنوعي جداگانه به بخش‌هاي كوچك‌تر تقسيم مي‌كند. اين مدل‌ها براي پيش‌بيني هر بخش آموزش داده شده‌اند و اطلاعات پيش‌بيني‌هاي قبلي را نيز در بر مي‌گيرند. اين تيم همچنين تكنيك «نويز گاوسي» (Gaussian noise) قابل يادگيري را معرفي كرد. اين تكنيك به هوش مصنوعي اجازه مي‌دهد تا ميزان تصادفي بودن را كه بايد در طول آموزش به مناطق جغرافيايي مختلف اضافه شود، ياد بگيرد. روش‌هاي متداول كه مقادير ثابتي از تغييرات تصادفي را اضافه مي‌كنند، در واقع پيش‌بيني‌ها را بدتر مي‌كردند، اما اين رويكرد قابل يادگيري دقت را بهبود بخشيد. «نويز گاوسي» يك نويز استاتيكي است كه از تابع توزيع چگالي احتمال نرمال يا تابع «گاوسي» پيروي مي‌كند؛ يعني، مقادير اين نويز، توزيع «گاوسي» دارند. اين تيم روش خود را با استفاده از داده‌هاي آب و هوايي از سال ۲۰۰۷ تا ۲۰۱۶ در سراسر شرق آسيا كه شامل ۷۰ متغير آب و هوايي مختلف از دما و رطوبت گرفته تا الگوهاي باد و بارش اندازه‌گيري شده در هر ۶ ساعت است، آزمايش كرد.
عملكرد مدل‌هاي هوش مصنوعي آب و هوا نسبت به سامانه‌هاي سنتي بهتر است
نتايج نشان داد كه مدل‌هاي هوش مصنوعي آب و هوا ۲۰ درصد بهتر از سامانه‌هاي سنتي عمل مي‌كنند. هنگام مقايسه انواع مختلف مدل‌ها، مدل‌هاي تصويربرداري پزشكي به‌طور مداوم از سامانه‌هاي پيش‌بيني آب و هواي هوش مصنوعي تثبيت شده بهتر عمل كردند. بالاترين مدل هوش مصنوعي سنتي پيش‌بيني آب و هوا با نام «فوركست نت» (FourCastNet) امتياز 0.2897 را كسب كرد، در حالي كه بهترين مدل تصويربرداري پزشكي موسوم به «ميس فرمر» (MISSFormer) به امتياز 0.3147 رسيد. روش «پيش‌بيني آبشاري»، بهبود چشمگيرتري را نشان داد. اين رويكرد جديد به امتياز 0.4048 دست يافت كه روش‌هاي پيش‌بيني استاندارد را با اختلاف زياد پشت سر گذاشت. در اين روش با تركيب تمام عناصر، سامانه نهايي به امتياز 0.4313 رسيد كه نشان‌دهنده بهبود تقريباً ۲۰ درصدي نسبت به روش‌هاي پايه است.
رويكرد جديد مي‌تواند دسترسي را متحول كند
رويكرد سريع‌تر و ارزان‌تر پيش‌بيني آب و هوا مي‌تواند دسترسي را متحول كند. اين پيشرفت‌ها محدوديت‌هاي كليدي زيرساخت فعلي پيش‌بيني آب و هوا را برطرف مي‌كنند. مدل‌هاي سنتي پيش‌بيني عددي آب و هوا، به ابررايانه‌ها با كارايي بالا نياز دارند و پيش‌بيني‌ها را در عرض چند ساعت يا روز توليد مي‌كنند، در حالي كه سامانه هوش مصنوعي جديد نتايج را در عرض چند ثانيه توليد مي‌كند. افزايش كارايي محاسباتي مي‌تواند پيش‌بيني آب و هوا را مردمي‌تر كند و به خدمات هواشناسي كوچك‌تر يا مناطق در حال توسعه اجازه دهد تا بدون سرمايه‌گذاري در زيرساخت‌هاي ابررايانه‌اي گران‌قيمت، به پيش‌بيني‌هايي با كيفيت بالا دسترسي پيدا كنند. در حال حاضر، تنها خدمات اصلي هواشناسي و سازمان‌هاي دولتي توانايي مالي منابع محاسباتي لازم براي مدل‌سازي دقيق آب و هوا را دارند. اين روش محدوديت‌هايي نيز دارد. اين مطالعه به‌طور خاص بر پيش‌بيني منطقه‌اي براي شرق آسيا با استفاده از مجموعه داده استاندارد تمركز داشت. عملكرد اين روش در ساير مناطق جغرافيايي يا شرايط آب و هوايي نيازمند اعتبارسنجي بيشتر است. بهبود دقت و دسترسي به پيش‌بيني‌ها با افزايش فراواني و هزينه رويدادهاي آب و هوايي شديد به دليل تغييرات آب و هوايي، مي‌تواند مزاياي اجتماعي عمده‌اي داشته باشد و به‌طور بالقوه پيش‌بيني‌هاي آب و هوايي نجات‌بخش را سريع‌تر و در دسترس‌تر از هميشه كند. اين يافته‌ها بسيار اميدواركننده هستند، با اين حال سامانه هوش مصنوعي مورد بحث براي پيش‌بيني‌هاي منطقه‌اي در شرق آسيا طراحي شده و هنوز در سطح جهاني تأييد نشده است. عملكرد آن ممكن است در شرايط جغرافيايي يا آب و هوايي مختلف متفاوت باشد.
