Un Enfoque Nuevo para la Cuantificación de la Incertidumbre en la Modelización de la Tabla de Agua Subterránea mediante Aprendizaje Profundo Predictivo Automatizado

Resumen La cuantificación de la incertidumbre (UQ) es un hito importante para evaluar el rendimiento de la inteligencia artificial (IA) y, en particular, de los modelos basados en ensambles de aprendizaje profundo. Sin embargo, la capacidad para UQ utilizando métodos basados en IA actuales no solo está limitada en términos de recursos computacionales, sino que también requiere cambios en la topología y los procesos de optimización, así como múltiples rendimientos para monitorear inestabilidades del modelo. Desde las perspectivas de la geoingeniería y la sociedad, un modelo predictivo de la tabla de agua subterránea (GWT) presenta un desafío importante, donde la falta de UQ limita la validez de los hallazgos y puede socavar decisiones basadas en la ciencia. Para superar y abordar estas limitaciones, se presenta un nuevo ensamble, un enfoque automatizado de pesos de conexión desactivados aleatoriamente (ARDCW), que se aplica a ubicaciones geográficas recuperadas de datos de GWT de un proyecto de geoingeniería en Estocolmo, Suecia. En este enfoque, la UQ se logró mediante una combinación de varios ensambles derivados de una topología óptima fija sometida a pesos aleatoriamente desactivados, lo que permite la predictibilidad con un pase hacia adelante. El proceso fue desarrollado y programado para proporcionar un rendimiento rastreable en una tarea específica y acceso a una amplia variedad de diferentes características internas y bibliotecas. Una comparación del rendimiento con el abandono de Monte Carlo y la regresión cuantílica utilizando métricas de visión por computadora y tareas de control mostró un progreso significativo en el ARDCW. Este enfoque no requiere cambios en el proceso de optimización y puede aplicarse a topologías ya entrenadas de una manera que supera a otros modelos.