I dag, stora resurser används för att förse fartyg i polhavet med varningar om spridning av havsis. Artificiell intelligens kan göra dessa varningar billigare, snabbare, och tillgängligt för alla.

För fartyg som färdas in i polhavet, det är viktigt att hålla kontrollen över spridningen av havsis, vilket innebär att stora resurser spenderas för att samla in data och bestämma framtida utveckling för att ge tillförlitliga havsisvarningar.

"Från och med nu, stora resurser behövs för att skapa dessa isvarningar, och de flesta av dem är gjorda av The Norwegian Meteorological Institute och liknande centra, "säger Sindre Markus Fritzner, doktorand vid UiT The Arctic University of Norway.

Han är anställd vid Institutionen för fysik och teknik och har nyligen lämnat in en doktorsavhandling där han tittade på möjligheten att använda artificiell intelligens för att göra isvarningar snabbare, bättre, och mer tillgängliga än de är idag.

I behov av superdatorer

Isvarningarna som används idag är traditionellt baserade på dynamiska datormodeller som matas med satellitobservationer av isskyddet, och vilken uppdaterad data som helst kan samlas in om istjocklek och snödjup. Detta genererar stora mängder data, som sedan måste bearbetas av kraftfulla superdatorer för att ge beräkningar.

"Dynamiska modeller är fysiska modeller och kräver mycket data för att bearbetas. Om du ska varna för framtida händelser, du måste använda en superdator, "Förklarar Fritzner.

Detta är en begränsad och kostsam resurs, vilket gör dessa varningar omöjliga att göra utan tillgång till rätt resurser.

Artificiell intelligens gör beräkningar tillgängliga på en vanlig bärbar dator

Fritzner har tittat på hur artificiell intelligens kan användas för att ge dessa havisvarningar snabbare, bättre, och billigare än någonsin - på en vanlig bärbar dator.

Maskininlärning är ett specialiserat område inom artificiell intelligens, där statistiska metoder används för att låta datorer hitta mönster och sammanhang i stora datamängder. Maskinen lär sig istället för att programmeras, och allt handlar om att utveckla algoritmer som gör att datorer kan lära av och göra beräkningar, baserat på empiriska data.

I Fritzners arbete, till exempel, han har laddat in data för att se hur en specifik vecka kommer att utvecklas, och sedan data för hur det kommer att se ut en vecka senare.

"Således, det är sammanhanget i utvecklingen mellan dessa veckor som maskinerna lär sig själva, och på så sätt kan den förutsäga hur den utvecklas, Säger Fritzner.

När den är fullt utvecklad, en sådan algoritm kommer att kräva mycket mindre datorkraft än den traditionella fysiska modellen.

"Om du använder artificiell intelligens och har en färdigutbildad modell, du kan köra en sådan beräkning på en vanlig bärbar dator, Säger Fritzner.

Varje fartyg kan göra beräkningar på egen hand

Detta öppnar upp för flera användningsområden, en av dem är mer exakta väderrapporter i nordområdena. Fritzner påpekar också att detta kan användas av sjöfartsindustrin som verkar nära den marginella iszonen, och att detta är en trafikform som bara kommer att öka.

"Ett exempel är kryssningstrafik, där det kommer att vara mycket viktigt för kryssningsfartygen att veta var isen är, och vart det kommer att röra sig under de närmaste dagarna, Säger Fritzner.

Som det står, högupplösta modeller kan inte köras på fartyget. De måste kontakta norska meteorologiska institutet, som sedan måste köra modellen på en superdator innan de överför data tillbaka till fartyget.

"Om du befinner dig på ett fartyg i Barentshavet, du är beroende av att vara ansluten till ett nätverk för att ladda ner varningarna från The Norwegian Meteorological Institute.

"Om utrustad med rätt program och artificiell intelligens, detta kan göras från själva fartyget, med nästan ingen datorkraft alls, Säger Fritzner.

Mer utveckling behövs

Även om forskningen hittills ser lovande ut, resultaten är fortfarande inte lika bra som de traditionella metoderna, men utvecklingen av maskininlärning/artificiell intelligens når full ånga, och Fritzner tvivlar inte på dess potential.

"Erfarenheterna hittills är bra, men inte perfekt. Det jag observerade när jag jämförde maskininlärning och de traditionella fysiska modellerna var att de var mycket snabbare, och så länge förändringarna i isen var små, maskininlärningen fungerade ganska bra. När förändringarna var större, med mycket smältning, modellerna kämpade mer än de fysiska modellerna, "Förklarar Fritzner.

Han pekar på utmaningen med modellerna som körs på artificiell intelligens som bara bygger på historiska data, medan de fysiska modellerna ständigt anpassas till stora geofysiska förändringar som ökad smältning och snabba väderförändringar.

I hans experiment, Fritzner använde data som temperatur, koncentrationen av havsis, och havstemperatur. Han tror att noggrannheten kan ökas genom att lägga till mer data i modellen så att den har en större uppsättning data för varningarna den ger.

"Speciellt om du lägger till vind och is tjocklek, maskininlärningen kommer att fungera mycket bättre, " han säger.

Han tror att ytterligare forskning och utveckling kommer att frigöra den stora potential som ligger i denna form av maskininlärning.