افزایش ۵۰ برابری دقت دادههای آب و هوایی با کمک هوش مصنوعی
محققان «آزمایشگاه ملی انرژی تجدیدپذیر» (NREL) وزارت انرژی ایالات متحده آمریکا (DOE) روش جدیدی برای آموزش یادگیری ماشینی توسعه داده‌اند که وضوح اطلاعات سرعت باد را ۵۰ برابر و تابش خورشید را ۲۵ برابر افزایش ...
در دیجیاتو ثبت‌نام کنید
جهت بهره‌مندی و دسترسی به امکانات ویژه و بخش‌های مختلف در دیجیاتو عضو ویژه دیجیاتو شوید.
عضویت در دیجیاتوتازههای تکنولوژی
محققان «آزمایشگاه ملی انرژی تجدیدپذیر» (NREL) وزارت انرژی ایالات متحده آمریکا (DOE) روش جدیدی برای آموزش یادگیری ماشینی توسعه داده‌اند که وضوح اطلاعات سرعت باد را ۵۰ برابر و تابش خورشید را ۲۵ برابر افزایش می‌دهد.
پژوهشگران با استفاده از آموزش خصمانه، راهکار متفاوتی را در پیش گرفتند. مدل آن‌ها قادر به تولید جزئیات فیزیکی واقعی با مشاهده تمام زمینه‌ها به صورت همزمان است که امکان تهیه دادههای اقلیمی با وضوح و سرعت بالا را فراهم می‌کند. این روش می‌تواند سرعت دانشمندان در مطالعات پیرامون انرژی‌های تجدیدپذیر در سناریوهای تغییرات اقلیمی در آینده را افزایش دهد.
«رایان کینگ»، محقق ارشد محاسبات NREL که در زمینه فیزیک یادگیری عمیق تخصص دارد، اعلام کرده:
«افزایش دقت مکانی و زمانی پیش‌بینی آب و هوا نه تنها روی برنامه‌ریزی در حوزه انرژی، بلکه روی کشاورزی، حمل و نقل و موارد دیگر نیز تاثیر زیادی دارد.»
بر اساس گزارش Tech Xplore، پیش‌بینی دقیق و با وضوح بالای آب و هوا اهمیت زیادی در شناسایی متغیرها مانند باد، ابرها، باران و جریان‌های دریایی برای تولید انرژی‌های تجدیدپذیر دارد. پیش‌بینی‌های کوتاه مدت تصمیم‌گیری عملیاتی را در پی دارند، پیش‌بینی‌های میان مدت باعث برنامه‌ریزی و تخصیص منابع می‌شوند و در نهایت پیش‌بینی بلندمدت برنامه‌ریزی برای زیرساخت‌ها و همچنین سیاست‌گذاری را به همراه دارد.
به گفته کینگ، حفظ کیفیت مکانی و زمانی در پیش‌بینی‌های آب و هوا دشوار است. عدم دسترسی به اطلاعات آب و هوایی با وضوح بالا تبدیل به یک چالش بزرگ برای برنامه‌ریزی در زمینه انرژی شده است. تکنیک‌های یادگیری ماشینی زیادی برای بهبود وضوح اطلاعات مورد استفاده قرار گرفته‌اند، با این حال تا به امروز شاهد استفاده از آموزش خصمانه برای افزایش وضوح اطلاعات آب و هوایی نبوده‌ایم.
آموزش خصمانه به معنای بهبود عملکرد شبکه‌های عصبی با ایجاد رقابت میان دو هوش مصنوعی است که یعنی از آن‌ها اطلاعات جدید و واقعی‌تر تولید می‌کند. محققان NREL در مدل خود دو نوع از شبکه عصبی را آموزش دادند که یکی از آن‌ها خصوصیات فیزیکی با وضوح بالای تابش خورشید و سرعت باد را شناسایی می‌کند و دیگری این خصوصیات را وارد دادههای بزرگ می‌کند.
پس از گذشت زمان، این شبکه‌ها اطلاعات واقعی‌تری تولید می‌کنند و عملکرد آن‌ها در زمینه شناسایی ورودی‌ها واقعی و جعلی با بهبود روبه‌رو می‌شود. محققان NREL توانسته‌اند به یک پیکسل اصلی، ۲۵۰۰ پیکسل اضافه کنند.
برای گفتگو با کاربران ثبت نام کنید یا وارد حساب کاربری خود شوید.