Cosa fa un neurone? Negli anni '40, agli albori dell'era dei computer, i ricercatori hanno dato alla parola un secondo significato. Nel caso delle reti neurali, i neuroni artificiali che li compongono sono più semplici di quanto ci si potrebbe aspettare:strutturare un'unità di codice per raccogliere informazioni, giudicare le informazioni, trasmetterla, poi metti insieme migliaia o milioni di questi "neuroni" e osserva come iniziano a mostrare un comportamento che potrebbe essere descritto come una forma di intelligenza. Le reti neurali artificiali sono utilizzate intorno a noi, dai traduttori linguistici al software di riconoscimento facciale fino ai feed di contenuti personalizzati che ci vengono forniti sui social media.

Le reti neurali hanno iniziato a trovare impiego in glaciologia, diventando un nuovo strumento fondamentale nello studio del cambiamento climatico e dei suoi effetti sui ghiacciai che si stanno ritirando. Una recente pubblicazione in La criosfera rilascia e valuta una nuova rete neurale nota come Calving Front Machine (CALFIN), un programma in grado di identificare automaticamente i fronti di distacco dei ghiacciai che terminano gli oceani da decenni di immagini satellitari. Programmi come CALFIN potrebbero consentire di catalogare e monitorare i tassi di perdita dei ghiacciai in tutto il mondo, anche in siti che gli scienziati non sono stati in grado di studiare manualmente.

Daniel Cheng, un dottorato di ricerca studente di informatica presso l'Università della California, Irvine e l'autore principale di questa pubblicazione, ha portato lo sviluppo di CALFIN a un successo clamoroso. Questa rete neurale è in grado di riconoscere e misurare i bordi dei ghiacciai nelle immagini satellitari della superficie terrestre quasi quanto uno scienziato esperto, tranne che è autonomo, Presto, e può elaborare in modo affidabile innumerevoli più ghiacciai di quanto qualsiasi essere umano abbia mai potuto fare.

Le reti neurali artificiali sono strumenti straordinariamente potenti data la semplicità dei loro componenti principali. Costruito su un quadro di input e output, ogni singolo neurone può ricevere gli output di più neuroni dietro di esso, quindi procedi a soppesare ogni informazione e a sintetizzarle tutte in una nuova, uscita singola. Questo semplice processo, governato da regole statistiche relativamente basilari, diventa in grado di risolvere problemi straordinariamente complessi se impilati e ripetuti abbastanza volte. Compiti che prima erano ingombranti per un programma per computer, come identificare le caratteristiche delle immagini, ora diventato possibile, precisamente la capacità richiesta per misurare i ghiacciai che si stanno ritirando dai vasti set di dati prodotti dalle rilevazioni satellitari.

Prima che una rete neurale abbia visto il suo compito assegnato (identificazione dei fronti di parto, per CALFIN), i suoi neuroni non saranno in grado di riconoscere schemi per giungere alle conclusioni corrette (in questo caso, dove si trova esattamente il fronte del parto nell'immagine). In un notevole parallelo con l'apprendimento nei bambini umani, le reti neurali possono essere insegnate - un processo denominato "addestramento" - a svolgere compiti con successo mostrando centinaia o migliaia di queste conclusioni corrette. In termini più tecnici, ogni successivo esempio corretto che la rete neurale vede durante l'allenamento consente di affinare i singoli parametri in ciascun neurone, che dà all'intera rete la capacità di replicare quel percorso quando viene mostrato un nuovo, esempio sconosciuto.

CALFIN è stato addestrato a riconoscere i fronti del parto utilizzando decine di migliaia di immagini, impiegando più di una settimana e mezza per completare la formazione ed elaborare l'intero set di dati, che abbraccia 66 bacini groenlandesi e contiene immagini dal 1972 al 2019 (di cui 22, 678 fronti di parto totali). Il cervello umano può impiegare mesi per padroneggiare un compito di riconoscimento di schemi; la rete neurale CALFIN richiede solo pochi giorni. Dopo l'allenamento, CALFIN è stato in grado di misurare i fronti di parto a una media di 82 metri dalle loro vere posizioni, un miglioramento rispetto ai modelli precedenti che mostravano errori di oltre il doppio di quella distanza su questo set di dati.

William Colgan, un climatologo ricercatore presso il Servizio Geologico di Danimarca e Groenlandia, è entusiasta dei progressi di questa tecnologia nel monitoraggio di questi ambienti glaciali in rapida evoluzione. "Direi che i big data, l'apprendimento automatico in generale, cambieranno davvero il modo in cui monitoriamo la calotta glaciale della Groenlandia, " ha scritto Colgan in un'intervista con GlacierHub. Ha descritto come il monitoraggio storico dei ghiacciai fosse focalizzato sui ghiacciai "di riferimento", studiato manualmente da ricercatori sul campo, e inaffidabile quando viene ampliato per comprendere le tendenze regionali. "Penso che l'apprendimento automatico ora offra un modo affidabile per aumentare una manciata di osservazioni specifiche del sito e a livello di processo per raccontare una storia regionale più ampia".

L'autore principale Cheng si è concentrato su più ampie capacità regionali durante lo sviluppo di CALFIN, come egli descrive che "un obiettivo e una preoccupazione principali era garantire che CALFIN potesse gestire l'ampia varietà di ambienti, geografia, e problemi come nuvole o ombre." CALFIN ha certamente raggiunto questo obiettivo. Proprio come il cervello umano può riconoscere l'identità di una persona anche quando parte del suo viso è in piena luce solare e parte in ombra profonda, Anche CALFIN può utilizzare la sua formazione per elaborare un'immagine imperfetta o parzialmente sfumata e trarre la conclusione corretta.

Cheng non intende fermarsi qui, però, con i prossimi passi per CALFIN incluso il miglioramento della precisione della rete neurale, estrarre diverse caratteristiche come coste o iceberg, e ampliando il suo attuale conteggio di quasi 23, 000 immagini analizzate.

Il futuro della glaciologia potrebbe presto diventare uno sforzo congiunto tra ricercatori umani e intelligenza artificiale, con i glaciologi che utilizzano i vantaggi dell'intuizione umana e la potenza di calcolo della rete neurale per sostenere la loro ricerca di comprensione. Come spiega Colgan, l'apprendimento automatico è fantastico, ma ha sempre bisogno di dati di addestramento. L'intelligenza artificiale potrebbe non essere in grado di raccogliere osservazioni di riferimento, ma promette di rendere queste osservazioni più scientificamente preziose e di aumentare l'efficienza del monitoraggio glaciale. Il tasso di perdita di ghiaccio della Groenlandia in questo secolo sarà più alto che in qualsiasi altro negli ultimi 12, 000 anni. Con conseguenze questa tomba, i glaciologi hanno bisogno di ogni risorsa disponibile.

Questa storia è stata ripubblicata per gentile concessione dell'Earth Institute, Columbia University http://blogs.ei.columbia.edu.