Искусственный интеллект научился заглядывать в будущее

Исследователи проверили свой алгоритм на сложной проблеме, которая много раз изучалась в прошлом.

Прошлое может быть фиксированной и неизменной точкой, но с помощью машинного обучения стало возможно довольно точно увидеть будущее.

Используя новый тип метода машинного обучения, называемый резервуарными вычислениями следующего поколения, исследователи из Университета штата Огайо недавно нашли новый способ предсказывать поведение пространственно-временных хаотических систем, таких как изменения погоды на Земле, прогнозировать которые ученым особенно сложно.

В исследовании, опубликованном в журнале «Chaos: An Interdicular Journal of Nonlinear Science», используется новый и высокоэффективный алгоритм, который в сочетании с резервуарными вычислениями следующего поколения может изучать пространственно-временные хаотические системы за долю времени по сравнению с другими алгоритмами машинного обучения.

Исследователи проверили свой алгоритм на сложной проблеме, которая много раз изучалась в прошлом – прогнозировании поведения модели атмосферной погоды. По сравнению с традиционными алгоритмами машинного обучения, которые могут решать те же задачи, алгоритм команды штата Огайо более точен и использует в 400-1250 раз меньше данных для обучения, чтобы делать более точные прогнозы, чем его аналог.

Их метод также менее затратен в вычислительном отношении; хотя для решения сложных вычислительных задач ранее требовался суперкомпьютер, они использовали ноутбук под управлением Windows 10, чтобы делать прогнозы примерно за доли секунды – примерно в 240 тыс. раз быстрее, чем традиционные алгоритмы машинного обучения.

«Это очень интересно, поскольку мы считаем, что это значительный прогресс с точки зрения эффективности обработки данных и точности прогнозирования в области машинного обучения», сказал Вендсон Де Са Барбоза, ведущий автор и научный сотрудник в области физики в штате Огайо. Он сказал, что научиться предсказывать эти чрезвычайно хаотичные системы – это «большая задача физики», и их понимание может проложить путь к новым научным открытиям и прорывам.

«Современные алгоритмы машинного обучения особенно хорошо подходят для прогнозирования динамических систем путем изучения лежащих в их основе физических правил с использованием исторических данных», сказал Де Са Барбоза. «Как только у вас будет достаточно данных и вычислительной мощности, вы сможете делать прогнозы с помощью моделей машинного обучения для любой реальной сложной системы». Такие системы могут включать в себя любой физический процесс, от качания маятника часов до сбоев в электросетях.

По словам Де Са Барбозы, даже клетки сердца демонстрируют хаотические пространственные паттерны, когда они колеблются с аномально более высокой частотой, чем нормальное сердцебиение. Это означает, что это исследование однажды может быть использовано для лучшего понимания контроля и интерпретации сердечных заболеваний, а также множества других «реальных» проблем.

«Если известны уравнения, точно описывающие, как будут развиваться эти уникальные для системы процессы, то ее поведение можно воспроизвести и предсказать», сказал он. Простые движения, такие как положение качания часов, можно легко предсказать, используя только их текущее положение и скорость. Более сложные системы, такие как погода на Земле, гораздо труднее предвидеть из-за того, как много переменных активно определяют их хаотичное поведение.

Чтобы сделать точные прогнозы всей системы, ученым потребуется точная информация о каждой из этих переменных, а также модельные уравнения, описывающие взаимосвязь этих многих переменных, что совершенно невозможно, сказал Де Са Барбоза. Но с их алгоритмом машинного обучения почти 500 тыс. исторических точек обучающих данных, использованных в предыдущих работах для примера атмосферной погоды, используемого в этом исследовании, можно было сократить до 400, сохраняя при этом ту же или лучшую точность.

В будущем Де Са Барбоза намерен продолжить свои исследования, используя их алгоритм для возможного ускорения пространственно-временного моделирования. «Мы живем в мире, о котором все еще так мало знаем, поэтому важно распознать эти высокодинамичные системы и научиться более эффективно их прогнозировать», заметил он.