¿Qué hace una neurona? En la década de 1940, en los albores de la era de la informática, los investigadores dieron a la palabra un segundo significado. En el caso de las redes neuronales, las neuronas artificiales que las componen son más simples de lo que cabría esperar:estructurar una unidad de código para recibir información, juzgar la información, Pásalo, luego ensamble miles o millones de estas "neuronas" y observe cómo comienzan a mostrar un comportamiento que podría describirse como una forma de inteligencia. Las redes neuronales artificiales se utilizan a nuestro alrededor, desde traductores de idiomas hasta software de reconocimiento facial y los feeds de contenido personalizados que proporcionamos en las redes sociales.

Las redes neuronales han comenzado a encontrar uso en glaciología, convirtiéndose en una nueva herramienta crítica en el estudio del cambio climático y sus efectos en el retroceso de los glaciares. Una publicación reciente en La criosfera lanza y evalúa una nueva red neuronal conocida como la Máquina del Frente de Paro (CALFIN), un programa capaz de identificar automáticamente los frentes de rotura de los glaciares que terminan en el océano a partir de décadas de imágenes satelitales. Programas como CALFIN podrían hacer posible catalogar y monitorear las tasas de pérdida de glaciares en todo el mundo, incluso en sitios que los científicos no han podido estudiar manualmente.

Daniel Cheng, un doctorado estudiante de informática en la Universidad de California, Irvine y el autor principal de esta publicación, llevó el desarrollo de CALFIN a un éxito rotundo. Esta red neuronal es capaz de reconocer y medir los bordes de los glaciares en imágenes satelitales de la superficie de la Tierra casi tan bien como un científico capacitado. excepto que es autónomo, rápido, y puede procesar de manera confiable innumerables más glaciares que cualquier ser humano.

Las redes neuronales artificiales son herramientas notablemente poderosas dada la simplicidad de sus componentes centrales. Construido sobre un marco de insumos y productos, cada neurona individual puede recibir salidas de múltiples neuronas detrás de ella, luego proceda a sopesar cada pieza de información y sintetizarla en una nueva, salida única. Este sencillo proceso, gobernado por reglas relativamente básicas de estadística, se vuelve capaz de resolver problemas extraordinariamente complejos cuando se apilan e iteran suficientes veces. Tareas que antes eran engorrosas para un programa de computadora, como identificar las características de las imágenes, ahora se vuelve posible, precisamente la capacidad requerida para medir el retroceso de los glaciares a partir de los vastos conjuntos de datos producidos por los estudios por satélite.

Antes de que una red neuronal haya visto su tarea asignada (identificar frentes de parto, para CALFIN), sus neuronas no estarán capacitadas para reconocer patrones para llegar a las conclusiones correctas (en este caso, donde se encuentra exactamente el frente de parto en la imagen). En un paralelo notable con el aprendizaje en los bebés humanos, A las redes neuronales se les puede enseñar (un proceso denominado "entrenamiento") a realizar tareas con éxito mostrándoles cientos o miles de estas conclusiones correctas. En términos más técnicos, cada ejemplo correcto sucesivo que ve la red neuronal durante el entrenamiento le permite refinar los parámetros individuales en cada neurona, que le da a toda la red la capacidad de replicar esa ruta cuando se muestra una nueva, ejemplo desconocido.

CALFIN fue entrenado para reconocer los frentes de partos usando decenas de miles de imágenes, tomar más de una semana y media para completar el entrenamiento y procesar el conjunto de datos completo, que abarca 66 cuencas de Groenlandia y contiene imágenes de 1972 a 2019 (incluidas 22, 678 frentes de partos totales). El cerebro humano puede tardar meses en dominar una tarea de reconocimiento de patrones; la red neuronal CALFIN solo necesita unos días. Después de entrenar, CALFIN pudo medir los frentes de partos con una media de 82 metros de sus ubicaciones reales, una mejora con respecto a los modelos anteriores que exhibieron errores de más del doble de esa distancia en este conjunto de datos.

William Colgan, climatólogo investigador del Servicio Geológico de Dinamarca y Groenlandia, está entusiasmado con el progreso de esta tecnología en el seguimiento de estos entornos glaciares que cambian rápidamente. "Yo diría que los macrodatos (aprendizaje automático en general) realmente cambiarán la forma en que monitoreamos la capa de hielo de Groenlandia, ", escribió Colgan en una entrevista con GlacierHub. Describió cómo el monitoreo histórico de glaciares se centró en los glaciares" de referencia ", estudiado manualmente por investigadores en el campo, y poco confiable cuando se amplía para comprender las tendencias regionales. "Creo que el aprendizaje automático ahora ofrece una forma sólida de escalar un puñado de observaciones a nivel de proceso y específicas del sitio para contar una historia regional más amplia".

El autor principal, Cheng, se centró en capacidades regionales más amplias a lo largo del desarrollo de CALFIN, como él describe que "un objetivo y una preocupación primordiales era garantizar que CALFIN pudiera manejar la amplia variedad de entornos, geografía, y problemas como nubes o sombras ". CALFIN ciertamente ha logrado este objetivo. Al igual que la forma en que el cerebro humano puede reconocer la identidad de una persona, incluso cuando parte de su rostro está bajo la luz del sol brillante y parte en la sombra profunda, CALFIN también puede utilizar su entrenamiento para trabajar a través de una imagen imperfecta o parcialmente sombreada y derivar la conclusión correcta.

Cheng no tiene la intención de detenerse aquí, sin embargo, con los siguientes pasos para CALFIN, incluida la mejora de la precisión de la red neuronal, extraer diferentes características como costas o icebergs, y expandiendo su conteo actual de casi 23, 000 imágenes analizadas.

El futuro de la glaciología pronto podría convertirse en un esfuerzo conjunto entre investigadores humanos e inteligencia artificial, con glaciólogos que utilizan las ventajas de la intuición humana y el poder de computación de la red neuronal para reforzar su búsqueda de comprensión. Como explica Colgan, el aprendizaje automático es genial, pero siempre necesita datos de entrenamiento. Es posible que la inteligencia artificial no pueda recopilar observaciones de referencia, pero promete hacer esas observaciones más valiosas científicamente y aumentar la eficiencia del monitoreo de los glaciares. La tasa de pérdida de hielo de Groenlandia este siglo será más alta que en cualquier otro durante los últimos 12, 000 años. Con consecuencias esta tumba, los glaciólogos necesitan todos los recursos disponibles.

Esta historia se vuelve a publicar por cortesía de Earth Institute, Universidad de Columbia http://blogs.ei.columbia.edu.