AI на MIT прогнозира екстремно време без исторически данни

Инженери от MIT създадоха инструмент с изкуствен интелект, който прогнозира екстремни метеорологични явления, без да се обучава с исторически данни за бедствия.

Кай Чанг, докторант по машинно инженерство, и професор Темис Сапсис разработиха инструмента. Той създава карти на явления, които не са се появявали в историческите записи на даден регион, но остават статистически възможни. Всяка карта съдържа и оценки за вероятната продължителност и интензитет на явлението, както и отделна оценка на площта, която то би могло да засегне.

Прогнозиране на екстремни метеорологични явления без исторически прецедент

Сапсис заема професорската длъжност „Уилям И. Кох“ по машинно и океанско инженерство в MIT. И двамата изследователи са свързани с Центъра за изчислителна наука и инженерство на MIT, а Сапсис заема и длъжност в Института за данни, системи и общество на MIT. Двамата описват метода, наречен Extreme Event Aware или η-learning, в статия, публикувана в Nature Communications на 20 август.

Съществуващите модели за оценка на риска работят по различен начин. Застрахователите, градоустройствените планьори и операторите на електропреносни мрежи обикновено искат да знаят как би изглеждала буря, която се случва веднъж на век, за конкретно местоположение. Съвременните симулации обикновено зависят от набори от данни, които вече съдържат екстремни явления, като изучават условията, довели до тях, преди да прогнозират сходни модели в бъдещето.

Чанг твърди, че този настоящ подход ограничава това, което подобни модели могат да покажат. „Тези методи предполагат, че в набора от данни сме виждали много разрушителни явления и изграждат метод за оценка на риска от тях или се опитват да предскажат точно явленията, които вече са се случили“, казва той.

Сапсис представя същото ограничение чрез урагана Катрина. „Явление като урагана Катрина се случва на всеки 30–40 години“, добавя той. „Каква ще бъде Катрината, която се случва веднъж на 100 години? Колко тежка ще бъде? Именно това се опитваме да изчислим, за да помогнем на плановиците да се подготвят за правдоподобни екстремни сценарии.“

Комбиниране на точкова статистика с пространствени подробности

Алгоритъмът работи с два типа данни. Точковата статистика показва колко често дадено ниво на интензитет, например максималното количество валежи, регистрирано на карта, се среща в даден набор от данни. Пространствените карти показват как въздействието на дадено явление варира в рамките на регион.

Изучаването на статистическата връзка между двете позволява на алгоритъма да изгражда пространствени модели за явления, надхвърлящи всичко в обучаващите му данни, без да са необходими предварителни примери за точно такива екстремни случаи.

Изследователите са тествали подхода върху валежите в континенталната част на САЩ. Те са започнали с 25 години данни за валежите на всеки час, обединени в дневни карти, и са изчислили точкова статистика, описваща колко често максималното количество валежи на карта е достигало определено ниво през целия период.

Периодът за обучение на пространствения модел е бил кратък. Те са обучили тази част от алгоритъма, използвайки съпоставени карти с ниска и висока резолюция, извлечени само от първите шест месеца на 25-годишния период — време, в което е имало малко или никакви примери за най-интензивните валежи.

Алгоритъмът е научил как моделите в картите с ниска резолюция съответстват на подробностите във версиите с висока резолюция, след което е приложил точковата статистика от целия период, за да ограничи екстремността на генерираните модели.

Тестване на инфраструктурата с карти на най-лошия сценарий

Най-голямото количество валежи, регистрирано някога в Ню Йорк, е 200 милиметра. Методът може да генерира правдоподобни карти на буря, която носи 300 милиметра валежи — ниво, за което няма съответствие в наблюдателните записи.

Потребителят може да зададе на обучен алгоритъм да покаже как би изглеждала буря, която се случва веднъж на век, за посочен град. Резултатът представлява карти, показващи статистически правдоподобни бури с такава честота. Всяка карта има собствен размер и обхват, а интензитетът на валежите също варира в отделните карти. Според Чанг алгоритъмът може да генерира голям брой такива сценарии едновременно.

Генерираните карти могат да помогнат на даден град да тества морската си стена срещу приливна вълна, по-голяма от всичко регистрирано досега. Същите карти могат да покажат дали електропреносната мрежа би издържала по-продължителна гореща вълна или дали ресурсите за гасене на пожари биха могли да овладеят горски пожар, по-голям от всеки досега регистриран.

Ограничения на демонстрацията до момента

Прилагането на метода към нов риск изисква подходяща точкова статистика и пространствени данни за конкретния риск, според Чанг и Сапсис. Двамата посочват възможни разширения, след като такива данни бъдат налични, като визуализиране на тежки наводнения и горски пожари без еквивалент в историческите записи.

Сапсис отбелязва, че глобалната инфраструктура е оптимизирана за ефективност, което оставя малък резерв в системите, които тя поддържа.

„Едно-единствено екстремно явление се разпространява през веригите за доставки, енергийните пазари и хранителните системи в рамките на седмици“, обяснява той. „Възможността да се определи вероятност за явление, което все още не се е случило, вече е въпрос на национална и икономическа устойчивост.“

Вижте също: Модели с изкуствен интелект на Samsung Health анализират биосигнали от носими устройства

Искате да научите повече за изкуствения интелект и големите данни от водещи представители на индустрията? Разгледайте AI & Big Data Expo, което се провежда в Амстердам, Калифорния и Лондон. Всеобхватното събитие е част от TechEx и се провежда едновременно с други водещи технологични събития, включително Cyber Security & Cloud Expo. Кликнете тук за повече информация.

AI News се поддържа от TechForge Media. Разгледайте други предстоящи събития и уебинари за корпоративни технологии тук.