Vad gör en neuron? På 1940 -talet, i början av datoråldern, forskare gav ordet en andra mening. När det gäller neurala nätverk, de artificiella neuroner som består av dem är enklare än man kan förvänta sig:strukturera en kodsenhet för att ta in information, bedöma informationen, skicka vidare, sträng sedan ihop tusentals eller miljoner av dessa "neuroner" och se när de börjar visa beteende som kan beskrivas som en form av intelligens. Konstgjorda neurala nätverk används runt omkring oss, från språköversättare till program för ansiktsigenkänning till skräddarsydda innehållsflöden som vi tillhandahåller på sociala medier.

Neurala nätverk har börjat hitta användning inom glaciologi, bli ett nytt kritiskt verktyg i studiet av klimatförändringar och dess effekter på glidande glaciärer. En ny publikation i Kryosfären släpper och utvärderar ett nytt neuralt nätverk som kallas Calving Front Machine (CALFIN), ett program som automatiskt kan identifiera de kalvande fronterna på havsavslutande glaciärer från årtionden av satellitbilder. Program som CALFIN kan göra det möjligt att katalogisera och övervaka graden av glaciärförlust över hela världen, även på platser som forskare inte har kunnat studera manuellt.

Daniel Cheng, en doktorsexamen student i datavetenskap vid University of California, Irvine och huvudförfattaren till denna publikation, lett CALFINs utveckling till rungande framgång. Detta neurala nätverk kan känna igen och mäta glaciärernas kanter i satellitbilder av jordens yta nästan lika bra som en utbildad forskare, förutom att det är autonomt, snabbt, och kan på ett tillförlitligt sätt bearbeta otaliga fler glaciärer än någon människa någonsin kunde.

Konstgjorda neurala nätverk är anmärkningsvärt kraftfulla verktyg med tanke på enkelheten i deras kärnkomponenter. Byggd på en ram av ingångar och utgångar, varje enskild neuron kan ta in utgångar från flera neuroner bakom den, fortsätt sedan att väga varje del av informationen och syntetisera dem alla till en ny, enkel utgång. Denna enkla process, styrs av relativt grundläggande statistikregler, blir kapabel att lösa utomordentligt komplexa problem när de staplas och itereras tillräckligt många gånger. Uppgifter som tidigare var besvärliga för ett datorprogram, såsom att identifiera egenskaper hos bilder, nu bli möjligt, exakt den förmåga som krävs för att mäta avtagande glaciärer från de stora datamängder som produceras av satellitundersökningar.

Innan ett neuralt nätverk har sett sin tilldelade uppgift (identifiera kalvfronter, för CALFIN), dess neuroner kommer att vara okunniga i att känna igen mönster för att nå de rätta slutsatserna (i det här fallet, var exakt kalvningsfronten finns på bilden). I en anmärkningsvärd parallell till lärande hos mänskliga spädbarn, neurala nätverk kan läras - en process som kallas "utbildning" - att utföra uppgifter framgångsrikt genom att visa hundratals eller tusentals av dessa korrekta slutsatser. I mer tekniska termer, varje successivt korrekt exempel som det neurala nätverket ser under träning gör det möjligt att förfina de individuella parametrarna i varje neuron, vilket ger hela nätverket möjlighet att replikera den vägen när den visas en ny, okänt exempel.

CALFIN utbildades för att känna igen kalvfronter med tiotusentals bilder, tar mer än en och en halv vecka att slutföra utbildningen och bearbeta hela datauppsättningen, som sträcker sig över 66 grönländska bassänger och innehåller bilder från 1972 till 2019 (inklusive 22, 678 kalvfronter totalt). Den mänskliga hjärnan kan ta månader att behärska en mönsterigenkänningsuppgift; CALFIN neurala nätverk behöver bara några dagar. Efter träning, CALFIN kunde mäta kalvfronter till i genomsnitt 82 meter från sina riktiga platser, en förbättring jämfört med tidigare modeller som uppvisade fel på mer än dubbelt så stort avstånd på denna dataset.

William Colgan, en forskningsklimatolog vid Danmarks och Grönlands geologiska undersökning, är entusiastisk över teknikens framsteg när det gäller att övervaka dessa snabbt föränderliga glaciala miljöer. "Jag skulle säga att big data - maskininlärning i allmänhet - verkligen kommer att förändra hur vi övervakar Grönlands isark, "skrev Colgan i en intervju med GlacierHub. Han beskrev hur historisk glaciärövervakning var inriktad på" benchmark "glaciärer, studerat manuellt av forskare ute på fältet, och opålitlig när den skalas upp för att förstå regionala trender. "Jag tror att maskininlärning nu erbjuder ett robust sätt att skala upp en handfull platsspecifika och processnivåobservationer för att berätta en större regional historia."

Huvudförfattaren Cheng fokuserade på bredare regionala möjligheter under hela CALFIN:s utveckling, som han beskriver att "ett primärt mål och en oro var att säkerställa att CALFIN kunde hantera de många olika miljöerna, geografi, och frågor som moln eller skuggor. "CALFIN har verkligen uppnått detta mål. Ungefär som hur mänskliga hjärnor kan känna igen en persons identitet även när en del av deras ansikte är i starkt solljus och en del i djup skugga, CALFIN kan också använda sin utbildning för att arbeta igenom en ofullkomlig eller delvis skuggad bild och dra rätt slutsats.

Cheng tänker inte stanna här, dock, med nästa steg för CALFIN inklusive förbättring av det neurala nätverkets noggrannhet, extrahera olika funktioner som kustlinjer eller isberg, och utökar sitt nuvarande antal med nästan 23, 000 analyserade bilder.

Glaciologins framtid kan snart bli ett gemensamt arbete mellan mänskliga forskare och artificiell intelligens, med glaciologer som använder fördelarna med mänsklig intuition och neurala nätverks datorkraft för att stärka deras strävan efter förståelse. Som Colgan förklarar, maskininlärning är bra, men det behöver alltid träningsdata. Artificiell intelligens kanske inte kan samla riktmärkesobservationer, men det lovar att göra dessa observationer mer vetenskapligt värdefulla och öka effektiviteten av glacial övervakning. Grönlands isförlust i århundradet kommer att vara högre än någon annan under de senaste 12, 000 år. Med konsekvenser denna grav, glaciologer behöver alla tillgängliga resurser.

Denna berättelse publiceras på nytt med tillstånd av Earth Institute, Columbia University http://blogs.ei.columbia.edu.