Computerbaseret vejrudsigt:Ny algoritme overgår mainframe-computersystemer

Den eksponentielle vækst i computerens processorkraft set over de sidste 60 år kan snart stoppe. Komplekse systemer som dem, der bruges i vejrudsigter, for eksempel, kræver høj computerkapacitet, men omkostningerne ved at køre supercomputere til at behandle store mængder data kan blive en begrænsende faktor.

Forskere ved Johannes Gutenberg University Mainz (JGU) og Università della Svizzera italiana (USI) i Lugano i Schweiz har for nylig udviklet en algoritme, der kan løse komplekse problemer med bemærkelsesværdig facilitet - selv på en personlig computer.

Eksponentiel vækst i IT vil nå sin grænse

I fortiden, vi har set en konstant accelerationshastighed i informationsbehandlingskraft som forudsagt af Moores lov, men det ser nu ud til, at denne eksponentielle vækstrate er begrænset. Ny udvikling bygger på kunstig intelligens og maskinlæring, men de relaterede processer er stort set ikke velkendte og forståede. "Mange metoder til maskinlæring, såsom den meget populære deep learning, er meget succesrige, men arbejde som en sort boks, hvilket betyder, at vi ikke helt ved, hvad der foregår. Vi ønskede at forstå, hvordan kunstig intelligens virker og få en bedre forståelse af de involverede forbindelser, sagde professor Susanne Gerber, en specialist i bioinformatik ved Mainz University.

Sammen med professor Illia Horenko, en computerekspert ved Università della Svizzera italiana og en Mercator Fellow fra Freie Universität Berlin, hun har udviklet en teknik til at udføre utrolig komplekse beregninger til lave omkostninger og med høj pålidelighed. Gerber og Horenko, sammen med deres medforfattere, har opsummeret deres koncept i en artikel med titlen "Low-cost scalable discretization, forudsigelse, og valg af funktioner til komplekse systemer ", der for nylig blev offentliggjort i Videnskab fremskridt . "Denne metode gør det muligt for os at udføre opgaver på en standard pc, som tidligere ville have krævet en supercomputer, "understregede Horenko. Ud over vejrudsigterne, forskningen ser adskillige mulige anvendelser såsom løsning af klassifikationsproblemer i bioinformatik, billedanalyse, og medicinsk diagnostik.

Nedbrydning af komplekse systemer i individuelle komponenter

Det fremlagte papir er resultatet af mange års arbejde med udviklingen af ​​denne nye tilgang. Ifølge Gerber og Horenko, processen er baseret på Lego princippet, hvorefter komplekse systemer nedbrydes i diskrete tilstande eller mønstre. Med kun få mønstre eller komponenter, dvs. tre eller fire dusin, store mængder data kan analyseres og deres fremtidige adfærd kan forudsiges. "For eksempel, ved hjælp af SPA-algoritmen kunne vi lave en databaseret prognose for overfladetemperaturer i Europa for den kommende dag og have en forudsigelsesfejl på kun 0,75 grader Celsius, "sagde Gerber. Det hele fungerer på en almindelig pc og har en fejlprocent, der er 40 procent bedre end de computersystemer, der normalt bruges af vejretjenester, samtidig med at det er meget billigere.

SPA eller Scalable Probabilistic Approximation er et matematisk baseret koncept. Metoden kan være nyttig i forskellige situationer, der kræver, at store mængder data skal behandles automatisk, som i biologi, for eksempel, når et stort antal celler skal klassificeres og grupperes. "Det, der er særligt nyttigt ved resultatet, er, at vi så kan få en forståelse af, hvilke egenskaber der blev brugt til at sortere cellerne, " tilføjede Gerber. Et andet potentielt anvendelsesområde er neurovidenskab. Automatiseret analyse af EEG-signaler kunne danne grundlag for vurderinger af cerebral status. Det kunne endda bruges i brystkræftdiagnostik, da mammografibilleder kunne analyseres for at forudsige resultaterne af en mulig biopsi.

"SPA-algoritmen kan anvendes i en række felter, fra Lorenz-modellen til den molekylære dynamik af aminosyrer i vand, "konkluderede Horenko." Processen er lettere og billigere, og resultaterne er også bedre i forhold til dem, der produceres af de nuværende topmoderne supercomputere. "