Ce que les algorithmes d’apprentissage en profondeur peuvent nous apprendre sur la neige
Une représentation visuelle du réseau de neurones profonds DeepPrecip, y compris un rendu graphique de calcul avec 1,7 million de nœuds et 2,8 millions d’arêtes. L’image est un instantané dans le temps du cerveau complexe du réseau neuronal d’apprentissage en profondeur pour calculer les précipitations. Crédit : Université de Waterloo
Les Canadiens pensent en savoir long sur la neige. C’est pratiquement un passe-temps national de discuter de la météo hivernale.
Mais un doctorat. étudiant au Département de géographie et de gestion de l’environnement de l’Université de Waterloo porte l’obsession canadienne pour la météo à un tout autre niveau.
Fraser King étudie les façons dont l’apprentissage automatique peut être appliqué à la prévision des modèles de précipitations, et en particulier des chutes de neige annuelles et de la fonte des neiges dans le contexte du changement climatique.
Dans sa dernière étude, qu’il a entreprise avec une équipe de chercheurs dont son Ph.D. superviseur du professeur Christopher Fletcher, il propose son nouveau programme de modélisation météorologique sous le nom de DeepPrecip.
« Dans cette nouvelle recherche, nous avons travaillé pour développer un modèle, qui est un réseau informatique d’apprentissage en profondeur », a déclaré King. « Il est difficile de mesurer la neige avec précision. Il existe d’autres modèles, mais ils ont certaines limites. Notre nouveau modèle aide à faire avancer les choses. »
DeepPrecip prend les montagnes de données qui existent à partir des relevés radar des chutes de neige, puis construit des modèles prédictifs. De telles recherches sont extrêmement précieuses à une époque de changement climatique.
« J’ai l’impression que nous avons la responsabilité, en tant que Canadiens, de nous assurer que nous prenons soin de la terre et que nous la surveillons, car cela aura des impacts mondiaux à mesure que le climat continue de se réchauffer », a déclaré King.
« L’une des grandes questions des sciences atmosphériques est de comprendre les changements dans les chutes de neige. C’est un processus assez dynamique et ce n’est pas celui qui est bien compris. Tout progrès que nous pouvons faire dans ce domaine est bénéfique. »
Mobiliser les connaissances
Parallèlement à la publication d’articles universitaires pour diffuser ses recherches, King s’est donné pour priorité de communiquer ses travaux à un public plus large, y compris d’autres chercheurs extérieurs à sa discipline et au grand public.
Pour ce projet en cours sur DeepPrecip, il a publié un article de blog avec la société d’intelligence artificielle Graphcore et un article sur le célèbre blog Toward Data Science sur Medium. L’article destiné au public est astucieusement intitulé « Les réseaux de neurones rêvent-ils de chutes de neige ? » et fait allusion au célèbre roman de Philip K. Dick.
Dans un effort supplémentaire d’accessibilité, King a rendu le programme lui-même disponible et open source sur GitHub.
Lui et son superviseur sont également parmi les finalistes du concours Science Exposed du Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) pour leur rendu du modèle DeepPrecip (voir l’image ci-dessus).
King s’est fait un devoir de traduire les connaissances scientifiques dans des formats accessibles au public tout au long de sa carrière universitaire. Il a remporté le concours GRADflix de l’Université de Waterloo en 2019, qui mettait les chercheurs au défi de produire des vidéos d’une minute qui transmettaient leur travail au public.
« Je pense qu’il est vraiment important non seulement de faire de bonnes recherches, mais aussi de prendre le temps de communiquer ces recherches à un public plus large », déclare King. « Pouvoir décrire la recherche aux parties prenantes et aux bailleurs de fonds et pouvoir la décrire au grand public est un objectif pour moi et j’espère que cela incitera d’autres personnes à entreprendre également la recherche. »
