Wat maakt een neuron? In de jaren veertig, aan het begin van het computertijdperk, onderzoekers gaven het woord een tweede betekenis. In het geval van neurale netwerken, de kunstmatige neuronen waaruit ze bestaan, zijn eenvoudiger dan je zou verwachten:een code-eenheid structureren om informatie op te nemen, de informatie beoordelen, geef het door, rijg dan duizenden of miljoenen van deze 'neuronen' aan elkaar en kijk hoe ze gedrag beginnen te vertonen dat kan worden omschreven als een vorm van intelligentie. Overal om ons heen worden kunstmatige neurale netwerken gebruikt, van taalvertalers tot software voor gezichtsherkenning tot de op maat gemaakte contentfeeds die we op sociale media aanbieden.

Neurale netwerken worden gebruikt in de glaciologie, een cruciaal nieuw instrument worden in de studie van klimaatverandering en de effecten ervan op terugtrekkende gletsjers. Een recente publicatie in De cryosfeer brengt en evalueert een nieuw neuraal netwerk bekend als de Calving Front Machine (CALFIN), een programma dat automatisch de afkalffronten van gletsjers die in de oceaan eindigen kan identificeren op basis van tientallen jaren van satellietbeelden. Programma's zoals CALFIN zouden het mogelijk kunnen maken om de snelheid van gletsjerverlies over de hele wereld te catalogiseren en te volgen, zelfs op locaties die wetenschappers niet handmatig hebben kunnen bestuderen.

Daniël Cheng, een doctoraat student informatica aan de Universiteit van Californië, Irvine en de hoofdauteur van deze publicatie, leidde de ontwikkeling van CALFIN tot een doorslaand succes. Dit neurale netwerk is in staat om de randen van gletsjers in satellietbeelden van het aardoppervlak te herkennen en te meten, bijna net zo goed als een getrainde wetenschapper, behalve dat het autonoom is, snel, en kan op betrouwbare wijze ontelbare meer gletsjers verwerken dan enig mens ooit zou kunnen.

Kunstmatige neurale netwerken zijn opmerkelijk krachtige hulpmiddelen gezien de eenvoud van hun kerncomponenten. Gebouwd op een raamwerk van inputs en outputs, elk individueel neuron kan de output van meerdere neuronen erachter opnemen, ga dan verder met het wegen van elk stukje informatie en synthetiseer ze allemaal in een nieuwe, enkele uitgang. Dit eenvoudige proces, beheerst door relatief elementaire regels van de statistiek, wordt in staat om buitengewoon complexe problemen op te lossen wanneer ze genoeg worden gestapeld en herhaald. Taken die voorheen omslachtig waren voor een computerprogramma, zoals het identificeren van kenmerken van afbeeldingen, nu mogelijk worden, precies het vermogen dat nodig is om terugwijkende gletsjers te meten uit de enorme datasets die zijn geproduceerd door satellietonderzoeken.

Voordat een neuraal netwerk zijn toegewezen taak heeft gezien (afkalffronten identificeren, voor CALFIN), zijn neuronen zullen ongeschoold zijn in het herkennen van patronen om de juiste conclusies te trekken (in dit geval waar in de afbeelding precies het afkalffront zit). In een opmerkelijke parallel met het leren bij menselijke zuigelingen, neurale netwerken kunnen worden geleerd - een proces dat 'training' wordt genoemd - om taken met succes uit te voeren door honderden of duizenden van deze juiste conclusies te zien. In meer technische termen, elk opeenvolgend correct voorbeeld dat het neurale netwerk tijdens de training ziet, stelt het in staat om de individuele parameters in elk neuron te verfijnen, die het hele netwerk de mogelijkheid geeft om dat pad te repliceren wanneer een nieuw, onbekend voorbeeld.

CALFIN is getraind om afkalffronten te herkennen aan de hand van tienduizenden afbeeldingen, meer dan anderhalve week nodig hebben om de training te voltooien en de volledige dataset te verwerken, die 66 Groenlandse bekkens beslaat en afbeeldingen bevat van 1972 tot 2019 (inclusief 22, 678 totaal afkalffronten). Het menselijk brein kan maanden nodig hebben om een ​​patroonherkenningstaak onder de knie te krijgen; het neurale netwerk van CALFIN heeft slechts een kwestie van dagen nodig. Na het trainen, CALFIN was in staat om afkalffronten te meten tot op gemiddeld 82 meter van hun werkelijke locatie, een verbetering ten opzichte van eerdere modellen die fouten vertoonden van meer dan twee keer die afstand op deze dataset.

Willem Colgan, een onderzoeksklimatoloog bij de Geologische Dienst van Denemarken en Groenland, is enthousiast over de vooruitgang van deze technologie bij het monitoren van deze snel veranderende glaciale omgevingen. "Ik zou zeggen dat big data - machine learning in het algemeen - de manier waarop we de Groenlandse ijskap in de gaten houden, echt gaat veranderen. " schreef Colgan in een interview met GlacierHub. Hij beschreef hoe historische gletsjermonitoring was gericht op "benchmark" gletsjers, handmatig bestudeerd door onderzoekers in het veld, en onbetrouwbaar wanneer opgeschaald om regionale trends te begrijpen. "Ik denk dat machine learning nu een robuuste manier biedt om een ​​handvol site-specifieke en proces-niveau observaties op te schalen om een ​​groter regionaal verhaal te vertellen."

Hoofdauteur Cheng was tijdens de ontwikkeling van CALFIN gericht op bredere regionale capaciteiten, zoals hij beschrijft dat "een primair doel en zorg was om ervoor te zorgen dat CALFIN de grote verscheidenheid aan omgevingen aankon, geografie, en zaken als wolken of schaduwen." CALFIN heeft dit doel zeker bereikt. Net zoals de manier waarop menselijke hersenen de identiteit van een persoon kunnen herkennen, zelfs wanneer een deel van hun gezicht in fel zonlicht staat en een deel in diepe schaduw, Ook CALFIN kan zijn training gebruiken om een ​​onvolmaakt of gedeeltelijk verduisterd beeld te doorbreken en de juiste conclusie te trekken.

Cheng is niet van plan hier te stoppen, echter, met volgende stappen voor CALFIN, waaronder het verbeteren van de nauwkeurigheid van het neurale netwerk, het extraheren van verschillende kenmerken zoals kustlijnen of ijsbergen, en het uitbreiden van het huidige aantal van bijna 23, 000 geanalyseerde afbeeldingen.

De toekomst van glaciologie zou binnenkort een gezamenlijke inspanning kunnen worden tussen menselijke onderzoekers en kunstmatige intelligentie, met glaciologen die de voordelen van menselijke intuïtie en de rekenkracht van neurale netwerken gebruiken om hun zoektocht naar begrip te versterken. Zoals Colgan uitlegt, machine learning is geweldig, maar het heeft altijd trainingsgegevens nodig. Kunstmatige intelligentie kan mogelijk geen benchmarkwaarnemingen verzamelen, maar het belooft die waarnemingen wetenschappelijk waardevoller te maken en de efficiëntie van glaciale monitoring te vergroten. Het tempo van het ijsverlies op Groenland zal deze eeuw hoger zijn dan in alle andere in de afgelopen 12, 000 jaar. Met gevolgen dit graf, glaciologen hebben alle beschikbare middelen nodig.

Dit verhaal is opnieuw gepubliceerd met dank aan Earth Institute, Columbia University http://blogs.ei.columbia.edu.