Qu'est-ce qui fait un neurone? Dans les années 1940, à l'aube de l'ère informatique, les chercheurs ont donné au mot un deuxième sens. Dans le cas des réseaux de neurones, les neurones artificiels qui les composent sont plus simples qu'on pourrait s'y attendre :structurer une unité de code pour recevoir des informations, juger les informations, transmettre, puis enchaînez des milliers ou des millions de ces "neurones" et observez-les commencer à afficher un comportement qui pourrait être décrit comme une forme d'intelligence. Les réseaux de neurones artificiels sont utilisés tout autour de nous, des traducteurs de langues aux logiciels de reconnaissance faciale en passant par les flux de contenu personnalisés que nous proposons sur les réseaux sociaux.

Les réseaux de neurones ont commencé à être utilisés en glaciologie, devenir un nouvel outil essentiel dans l'étude du changement climatique et de ses effets sur le recul des glaciers. Une publication récente dans La cryosphère publie et évalue un nouveau réseau de neurones connu sous le nom de Calving Front Machine (CALFIN), un programme capable d'identifier automatiquement les fronts de vêlage des glaciers océaniques à partir de décennies d'imagerie satellitaire. Des programmes tels que CALFIN pourraient permettre de cataloguer et de surveiller les taux de perte de glaciers partout dans le monde, même sur des sites que les scientifiques n'ont pas pu étudier manuellement.

Daniel Chen, un doctorat étudiant en informatique à l'Université de Californie, Irvine et l'auteur principal de cette publication, conduit le développement de CALFIN à un succès retentissant. Ce réseau de neurones est capable de reconnaître et de mesurer les bords des glaciers dans les images satellites de la surface de la Terre presque aussi bien qu'un scientifique qualifié, sauf qu'il est autonome, rapide, et peut traiter de manière fiable un nombre incalculable de glaciers plus que tout être humain ne pourrait jamais le faire.

Les réseaux de neurones artificiels sont des outils remarquablement puissants compte tenu de la simplicité de leurs composants de base. Construit sur un cadre d'entrées et de sorties, chaque neurone individuel peut recevoir les sorties de plusieurs neurones derrière lui, puis procédez à la pesée de chaque information et synthétisez-les toutes en une nouvelle, sortie unique. Ce processus simple, régies par des règles statistiques relativement élémentaires, devient capable de résoudre des problèmes extraordinairement complexes lorsqu'il est empilé et répété suffisamment de fois. Des tâches autrefois lourdes pour un programme informatique, telles que l'identification des caractéristiques des images, désormais possible, précisément la capacité requise pour mesurer le recul des glaciers à partir des vastes ensembles de données produits par les relevés satellitaires.

Avant qu'un réseau de neurones n'ait vu sa tâche assignée (identifier les fronts de vêlage, pour CALFIN), ses neurones ne seront pas habiles à reconnaître les modèles pour tirer les bonnes conclusions (dans ce cas, où se situe exactement le front de vêlage sur l'image). Dans un parallèle remarquable à l'apprentissage chez les nourrissons humains, les réseaux de neurones peuvent être enseignés – un processus appelé « formation » – pour effectuer des tâches avec succès en montrant des centaines ou des milliers de ces conclusions correctes. En termes plus techniques, chaque exemple correct successif que le réseau de neurones voit pendant l'entraînement lui permet d'affiner les paramètres individuels dans chaque neurone, ce qui donne à l'ensemble du réseau la possibilité de reproduire cette voie lorsqu'un nouveau, exemple inconnu.

CALFIN a été formé pour reconnaître les fronts de vêlage à l'aide de dizaines de milliers d'images, prendre plus d'une semaine et demie pour terminer la formation et traiter l'ensemble de données complet, qui s'étend sur 66 bassins groenlandais et contient des images de 1972 à 2019 (dont 22, 678 fronts de vêlage au total). Le cerveau humain peut prendre des mois pour maîtriser une tâche de reconnaissance de formes; le réseau de neurones CALFIN n'a besoin que de quelques jours. Après l'entrainement, CALFIN a pu mesurer les fronts de vêlage à une moyenne de 82 mètres de leur emplacement réel, une amélioration par rapport aux modèles précédents qui présentaient des erreurs de plus de deux fois cette distance sur cet ensemble de données.

Guillaume Colgan, un climatologue de recherche à la Commission géologique du Danemark et du Groenland, est enthousiasmé par les progrès de cette technologie dans la surveillance de ces environnements glaciaires en évolution rapide. « Je dirais que les mégadonnées – l'apprentissage automatique en général – vont vraiment changer la façon dont nous surveillons la calotte glaciaire du Groenland, " a écrit Colgan dans une interview avec GlacierHub. Il a décrit comment la surveillance historique des glaciers était axée sur les glaciers "de référence", étudié manuellement par des chercheurs sur le terrain, et peu fiable lorsqu'il est mis à l'échelle pour comprendre les tendances régionales. "Je pense que l'apprentissage automatique offre désormais un moyen robuste de mettre à l'échelle une poignée d'observations spécifiques au site et au niveau du processus pour raconter une histoire régionale plus large."

L'auteur principal Cheng s'est concentré sur des capacités régionales plus larges tout au long du développement de CALFIN, car il décrit que "un objectif et une préoccupation principaux étaient de s'assurer que CALFIN pouvait gérer la grande variété d'environnements, géographie, et des problèmes comme les nuages ​​ou les ombres." CALFIN a certainement atteint cet objectif. Tout comme la façon dont le cerveau humain peut reconnaître l'identité d'une personne même lorsqu'une partie de son visage est en plein soleil et une partie dans une ombre profonde, CALFIN peut également utiliser sa formation pour travailler à travers une image imparfaite ou partiellement ombrée et en tirer la conclusion correcte.

Cheng n'a pas l'intention de s'arrêter là, cependant, avec les prochaines étapes pour CALFIN, notamment l'amélioration de la précision du réseau de neurones, extraire différentes caractéristiques telles que des côtes ou des icebergs, et en élargissant son nombre actuel de près de 23, 000 images analysées.

L'avenir de la glaciologie pourrait bientôt devenir un effort conjoint entre chercheurs humains et intelligence artificielle, avec des glaciologues utilisant les avantages de l'intuition humaine et de la puissance de calcul des réseaux neuronaux pour renforcer leur quête de compréhension. Comme l'explique Colgan, l'apprentissage automatique est génial, mais il a toujours besoin de données d'entraînement. L'intelligence artificielle peut ne pas être en mesure de collecter des observations de référence, mais cela promet de rendre ces observations plus précieuses sur le plan scientifique et d'augmenter l'efficacité de la surveillance glaciaire. Le taux de perte de glace au Groenland ce siècle sera plus élevé que dans tout autre au cours des 12 derniers, 000 ans. Avec des conséquences cette tombe, les glaciologues ont besoin de toutes les ressources disponibles.

Cette histoire est republiée avec l'aimable autorisation de Earth Institute, Université de Columbia http://blogs.ei.columbia.edu.