Maskinlæring hjælper videnskabsmænd med at kigge (et sekund) ind i fremtiden

Fortiden kan være et fast og uforanderligt punkt, men ved hjælp af maskinlæring kan fremtiden til tider lettere spåes.

Ved at bruge en ny type maskinlæringsmetode kaldet næste generations reservoir computing, har forskere ved Ohio State University for nylig fundet en ny måde at forudsige adfærden af ​​rumlige kaotiske systemer – såsom ændringer i Jordens vejr – der er særligt komplicerede for forskere at forudsige. .

Undersøgelsen, offentliggjort i dag i tidsskriftet Chaos:An Interdisciplinary Journal of Nonlinear Science , anvender en ny og yderst effektiv algoritme, der, når den kombineres med næste generation af reservoir-beregninger, kan lære rumlige kaotiske systemer på en brøkdel af tiden for andre maskinlæringsalgoritmer.

Forskere testede deres algoritme på et komplekst problem, der er blevet undersøgt mange gange tidligere - forudsige adfærden af ​​en atmosfærisk vejrmodel. I sammenligning med traditionelle maskinlæringsalgoritmer, der kan løse de samme opgaver, er Ohio State-teamets algoritme mere nøjagtig og bruger 400 til 1.250 gange færre træningsdata til at lave bedre forudsigelser end dens modstykke.

Deres metode er også mindre beregningsmæssigt dyr; mens løsning af komplekse computerproblemer tidligere krævede en supercomputer, brugte de en bærbar computer med Windows 10 til at lave forudsigelser på omkring en brøkdel af et sekund – omkring 240.000 gange hurtigere end traditionelle maskinlæringsalgoritmer.

"Dette er meget spændende, da vi mener, at det er et væsentligt fremskridt med hensyn til databehandlingseffektivitet og forudsigelsesnøjagtighed inden for maskinlæring," sagde Wendson De Sa Barbosa, hovedforfatter og postdoc-forsker i fysik ved Ohio State. Han sagde, at det at lære at forudsige disse ekstremt kaotiske systemer er en "fysisk stor udfordring", og at forstå dem kunne bane vejen for nye videnskabelige opdagelser og gennembrud.

"Moderne maskinlæringsalgoritmer er særligt velegnede til at forudsige dynamiske systemer ved at lære deres underliggende fysiske regler ved hjælp af historiske data," sagde De Sa Barbosa. "Når du har nok data og beregningskraft, kan du lave forudsigelser med maskinlæringsmodeller om ethvert komplekst system i den virkelige verden." Sådanne systemer kan omfatte enhver fysisk proces, lige fra et urs pendul til afbrydelser i elnet.

Selv hjerteceller viser kaotiske rumlige mønstre, når de svinger med en unormalt højere frekvens end et normalt hjerteslag, sagde De Sa Barbosa. Det betyder, at denne forskning en dag kan bruges til at give bedre indsigt i at kontrollere og fortolke hjertesygdomme, såvel som en række andre "virkelige" problemer.

"Hvis man kender ligningerne, der præcist beskriver, hvordan disse unikke processer for et system vil udvikle sig, så kunne dets adfærd reproduceres og forudsiges," sagde han. Simple bevægelser, som et urs svingposition, kan nemt forudsiges ved kun at bruge dets aktuelle position og hastighed. Endnu mere komplekse systemer, som Jordens vejr, er langt sværere at forudse på grund af, hvor mange variabler der aktivt dikterer dens kaotiske adfærd.

For at lave præcise forudsigelser af hele systemet, ville forskerne være nødt til at have nøjagtig information om hver enkelt af disse variabler og de modelligninger, der beskriver, hvordan disse mange variable er relateret, hvilket er fuldstændig umuligt, sagde De Sa Barbosa. Men med deres maskinlæringsalgoritme kunne de næsten 500.000 historiske træningsdatapunkter, der blev brugt i tidligere værker til det atmosfæriske vejreksempel, der blev brugt i denne undersøgelse, reduceres til kun 400, mens de stadig opnår samme eller bedre nøjagtighed.

Fremadrettet sigter De Sa Barbosa på at fremme sin forskning ved at bruge deres algoritme til muligvis at fremskynde rumlige tidssimuleringer, sagde han.

"Vi lever i en verden, som vi stadig ved så lidt om, så det er vigtigt at genkende disse højdynamiske systemer og lære, hvordan man mere effektivt kan forudsige dem." + Udforsk yderligere

Gennembrud rapporteret inden for maskinlæringsforbedret kvantekemi