Forudsig kaos ved hjælp af aerosoler og AI

Hvis en giftig gas blev frigivet i et bioterrorangreb, evnen til at forudsige dens molekylers vej - gennem turbulente vinde, temperaturændringer og ustabil opdrift - kan betyde liv eller død. At forstå, hvordan en by vil vokse og ændre sig over en 20-årig periode, kan føre til mere bæredygtig planlægning og billige boliger.

At udlede ligninger til at løse sådanne problemer – ved at lægge alle de relevante kræfter sammen – er, i bedste fald, vanskeligt til det næsten umuligt og, i værste fald, faktisk umuligt. Men maskinlæring kan hjælpe.

Ved at bruge aerosolpartiklernes bevægelse gennem et system i flux, forskere fra McKelvey School of Engineering ved Washington University i St. Louis har udtænkt en ny model, baseret på en deep learning metode, som kan hjælpe forskere med at forudsige adfærden af ​​kaotiske systemer, om disse systemer er i laboratoriet, på græsmarken eller andre steder.

"Det er skønheden ved aerosoler, " sagde Rajan Chakrabarty, adjunkt i energi, miljø- og kemiteknik. "Det er ud over en disciplin, det er bare fundamentale partikler, der flyder i luften, og man observerer bare kaosset."

Forskningen blev publiceret som en forsideartikel i Journal of Aerosol Science .

Chakrabarty og hans team - postdoc-forsker Pai Liu og Jingwei Gan, derefter en ph.d. kandidat ved Illinois Institute of Technology - testede to dybe læringsmetoder og fastslog, at det generative modstandsnetværk producerede de mest nøjagtige resultater. Denne form for kunstig intelligens får først information om en proces i den virkelige verden, derefter, baseret på disse data, det skaber en simulering af den proces.

Motiveret af spilteori, et generativt modstandsnetværk modtager både grundsandheden (rigtig) og tilfældigt genererede data (falske) og forsøger at bestemme, hvad der er ægte, og hvilket der er falsk.

Denne proces gentages mange gange, give feedback, og systemet som helhed bliver løbende bedre til at generere datamatching, som det blev trænet på.

Det er beregningsmæssigt dyrt at beskrive den kaotiske bevægelse af en aerosolpartikel gennem et turbulent system, så Chakrabarty og hans team havde brug for rigtige data – et rigtigt eksempel – for at træne sit system. Det var her aerosoler kom ind.

Holdet brugte den opdriftsmodsatte flamme i Chakrabarty-laboratoriet til at skabe eksempler, som AI kunne trænes på. "I dette tilfælde, vi føjede eksperimentelt kaos til et system ved at introducere opdrift og temperaturforskelle, " sagde Chakrabarty. Så, de tændte et højhastighedskamera og optog 3-D banedatasæt for sodpartikler, mens de snoede sig igennem, lynede rundt og skød hen over flammen.

De trænede to slags kunstig intelligens-modeller med data fra brandkammeret:den variationelle autoencoder-metode og et generativt adversarialt netværk (GAN). Hver model producerede derefter sin egen simulering. Kun GAN's baner afspejlede de statistiske træk fundet i eksperimenterne, producerer naturtro simuleringer af kaotiske aerosolpartikler.

Chakrabartys dybe læringsmodel kan mere end at simulere, hvor sod, eller kemikalier, vil ende op, når den slippes ud i atmosfæren. "Du ser mange eksempler på denne form for kaos, fra fouragerende dyr, til transport af atmosfæriske forurenende stoffer og biotrusler, til eftersøgnings- og redningsstrategier, " han sagde.

Faktisk, laboratoriet arbejder nu sammen med en psykiater, der ser på effektiviteten af ​​behandling hos børn med tic-syndrom. "Tics er kaotiske, Chakrabarty forklarede, så den typiske opsætning af kliniske forsøg er muligvis ikke effektiv til at bestemme en medicins effektivitet.

Den brede anvendelse af denne nye dybe læringsmodel taler ikke kun om kraften i kunstig intelligens, men kan også sige noget mere markant om virkeligheden.

"Kaos, eller bestille, afhænger af beskuerens øje, " sagde han. "Det, dette fortæller dig, er, at der er visse love, der styrer alt omkring os. Men de er skjulte.

"Du skal bare afdække dem."