什么使神經(jīng)元?在1940年代，計算機時代到來之初，研究人員賦予了這個詞第二個含義。在神經(jīng)網(wǎng)絡(luò)的情況下，由它們組成的人工神經(jīng)元比人們期望的更簡單：構(gòu)造一個代碼單元以接收信息，判斷信息，將其傳遞，然后將成千上萬的這些“神經(jīng)元”串在一起，在他們開始顯示可以被描述為智力形式的行為時進行觀察。從語言翻譯器到面部識別軟件，再到我們在社交媒體上提供的量身定制的內(nèi)容供稿，人工神經(jīng)網(wǎng)絡(luò)在我們周圍得到了廣泛使用。

神經(jīng)網(wǎng)絡(luò)已開始在冰川學(xué)中找到應(yīng)用，已成為研究氣候變化及其對后退冰川影響的重要新工具。甲最近的出版物中的冰凍圈釋放并評估新的神經(jīng)網(wǎng)絡(luò)被稱為前產(chǎn)犢機(CALFIN)，能夠從幾十年衛(wèi)星圖像的自動識別海洋終止冰川產(chǎn)犢方面的程序。諸如CALFIN之類的程序可以對全世界的冰川損失率進行分類和監(jiān)測，即使在科學(xué)家無法進行手動研究的地點也是如此。

程丹妮(Daniel Cheng)，博士 加州大學(xué)爾灣分校計算機科學(xué)專業(yè)的學(xué)生，??也是該出版物的主要作者，帶領(lǐng)CALFIN的發(fā)展取得了圓滿成功。這個神經(jīng)網(wǎng)絡(luò)能夠自動識別，測量地球表面的衛(wèi)星圖像中冰川的邊緣，并且具有訓(xùn)練有素的科學(xué)家的能力，除了它具有自主性，快速性，而且能夠可靠地處理無數(shù)冰川，這是人類從未有過的。

鑒于人工神經(jīng)網(wǎng)絡(luò)核心組件的簡單性，它們是非常強大的工具。建立在輸入和輸出框架的基礎(chǔ)上，每個單個神經(jīng)元都可以接收其后的多個神經(jīng)元的輸出，然后繼續(xù)權(quán)衡每條信息并將它們合成為一個新的單個輸出。這個簡單的過程由相對基本的統(tǒng)計規(guī)則支配，當(dāng)堆疊和迭代足夠多的時間后，它便能夠解決異常復(fù)雜的問題。以前對于計算機程序來說繁瑣的任務(wù)(例如，識別圖像的特征)現(xiàn)在變得可能，正是從衛(wèi)星勘測產(chǎn)生的龐大數(shù)據(jù)集中測量后退冰川所需的功能。

在神經(jīng)網(wǎng)絡(luò)看到其分配的任務(wù)(為CALFIN識別產(chǎn)犢前沿)之前，其神經(jīng)元將不具備識別模式的技能，以得出正確的結(jié)論(在這種情況下，產(chǎn)犢前沿恰好位于圖像中)。與人類嬰兒學(xué)習(xí)的顯著并行之處是，可以通過顯示數(shù)百或數(shù)千個正確的結(jié)論，來教神經(jīng)網(wǎng)絡(luò)(一種稱為“訓(xùn)練”的過程)以成功執(zhí)行任務(wù)。用更多的技術(shù)術(shù)語來說，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中看到的每個連續(xù)的正確示例都可以讓它細化每個神經(jīng)元中的各個參數(shù)，從而使整個網(wǎng)絡(luò)能夠在顯示一個新的，不熟悉的示例時復(fù)制該路徑。

簡單神經(jīng)網(wǎng)絡(luò)中各個神經(jīng)元之間的關(guān)系。每個單獨的神經(jīng)元在再次傳遞輸入信息之前都要先評估其輸入信息。圖片來源：Glosser.ca

CALFIN經(jīng)過培訓(xùn)，使用成千上萬張圖像識別彎分鋒線，歷時一周半完成訓(xùn)練并處理整個數(shù)據(jù)集，該數(shù)據(jù)集跨越66個格陵蘭盆地，并包含1972年至2019年的圖像(包括22,678條彎腰鋒線)。在人的大腦可能需要幾個月掌握模式識別任務(wù); CALFIN神經(jīng)網(wǎng)絡(luò)只需要幾天的時間。經(jīng)過訓(xùn)練后，CALFIN能夠在距真實位置平均82米以內(nèi)的地方測量cal陷鋒線，這是對以前模型的改進，該模型在該數(shù)據(jù)集上顯示出的距離是該距離的兩倍以上。

丹麥和格陵蘭島地質(zhì)調(diào)查局的研究氣候?qū)W家William Colgan對這項技術(shù)在監(jiān)測這些快速變化的冰川環(huán)境方面的進展充滿熱情。Colgan在接受GlacierHub采訪時寫道：“我想說的是，大數(shù)據(jù)(通常是機器學(xué)習(xí))將真正改變我們監(jiān)測格陵蘭冰原的方式。” 他描述了歷史冰川監(jiān)測如何集中在“基準(zhǔn)”冰川上，由現(xiàn)場研究人員手動研究，并且在擴大規(guī)模以了解區(qū)域趨勢時是不可靠的。“我認為機器學(xué)習(xí)現(xiàn)在提供了一種強大的方法，可以擴展一些特定于站點和過程級別的觀察結(jié)果，以講述更大的區(qū)域故事。”

主要作者Cheng著重于CALFIN整個開發(fā)過程中的更廣泛的區(qū)域能力，因為他說：“首要目標(biāo)和關(guān)注點是確保CALFIN能夠處理各種各樣的環(huán)境，地理以及諸如云或陰影之類的問題。” CALFIN當(dāng)然已經(jīng)實現(xiàn)了這一目標(biāo)。就像人的大腦即使在面部的一部分在明亮的陽光下而在深色的陰影中也能識別一個人的身份一樣，CALFIN也可以使用其訓(xùn)練來處理不完美或部分陰影的圖像并得出正確的結(jié)論。

但是，Cheng并不想在此停下來，CALFIN的下一步包括提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，提取海岸線或冰山之類的不同特征以及將其當(dāng)前數(shù)量增加到近23,000張已分析圖像。

冰川學(xué)家的未來將很快成為人類研究人員和人工智能之間的共同努力，冰川學(xué)家將利用人類直覺和神經(jīng)網(wǎng)絡(luò)計算能力的優(yōu)勢來促進他們對理解的追求。正如Colgan解釋的那樣，機器學(xué)習(xí)很棒，但是它總是需要訓(xùn)練數(shù)據(jù)。人工智能可能無法收集基準(zhǔn)觀測值，但是它確實有望使這些觀測值更具科學(xué)價值，并提高冰川監(jiān)測的效率。格陵蘭島本世紀(jì)的冰流失率將比過去12,000年中的任何其他年份都要高。由于后果不堪設(shè)想，冰川學(xué)家需要一切可用資源。