Нов подход към машинното обучение може да направи хаоса по-предсказуем

Ваня Милева Последна промяна на 06 октомври 2022 в 00:01 2376 0

Новият подход за машинно обучение би могъл по-добре да предсказва хаотични системи като екстремните метеорологични условия. Илюстрация, създадена с помощта на AI Dream от НаукаOFFNews

Огромните възможности за пресмятане на числа на системите за изкуствен интелект означават, че можем по-добре да предсказваме бъдещето на хаотични системи въз основа на все по-малко модели в сравнение с преди - а нов алгоритъм допринася за още по-голяма точност на този процес.

Разработен чрез техники от следващо поколение за резервоарно изчисление (reservoir computing), които прилагат по-динамичен и по-бърз подход към машинното обучение, новият алгоритъм подобрява прогнозите за сложни физически процеси, като например глобалната прогноза за времето. 

Изчисленията на тези процеси - известни като пространствено-времеви хаотични системи - вече могат да се извършват за част от времето, с по-голяма точност, като се използват по-малко изчислителни ресурси и въз основа на по-малко данни за обучение.

"Това е много въодушевяващо, смятаме, че е значителен напредък по отношение на ефективността на обработката на данни и точността на прогнозите в областта на машинното обучение", заявява физикът Уендсън де са Барбоса (Wendson de sa Barbosa) от Държавния университет в Охайо.

Машинното обучение е точно това: компютърни алгоритми, които използват изследователски процес, за да правят прогнози (например бъдещи метеорологични модели) въз основа на големи архиви от данни (например минали метеорологични модели).

Повече за това как работи машинното обучение може да научите в статията "Как работи дълбокото самообучение на невронните мрежи?".

Подходът на изчислителните резервоари се опитва да наподоби в по-голяма степен човешкия мозък, като подава информация към "резервоар" от случайно свързани изкуствени неврони като средство за откриване на полезни модели. След това резултатите се използват за информиране на бъдещи цикли на обучение.

С течение на времето тези системи стават все по-рационални и ефективни. Едно от нововъведенията в машинното обучение позволява отделни компоненти на прогнозния модел да се осъществяват паралелно. Използването на този вид архитектура с най-новата технология за резервоарно изчисление позволява на алгоритмите да откриват потенциални симетрии в това, което иначе е хаотична бъркотия от информация.

Изследователите тестват новия си подход върху модел на атмосферното време. С помощта на обикновен лаптоп, работещ със софтуер за Windows, те са успели да направят прогнози за част от секундата, за които преди това е бил необходим суперкомпютър. В този конкретен случай изчисленията са направени 240 000 пъти по-бързо, отколкото с традиционните алгоритми.

"Ако се знаят уравненията, които точно описват как ще се развият тези уникални процеси за дадена система, тогава нейното поведение може да бъде възпроизведено и предсказано", посочва де са Барбоса.

Алгоритмите за машинно обучение могат да се използват за прогнозиране на всякакви бъдещи събития, като намират приложение в области, които са толкова прозаични, колкото е добивът на нови ресурси, и толкова тревожни, колкото е социалното инженерство.

Тъй като тези сценарии стават все по-сложни, има все повече и повече променливи, които трябва да се вземат предвид, което увеличава ограниченията на изчислителните ресурси. Системите за машинно обучение са в състояние да откриват закономерности в минали данни, които човешкото око не би могло да забележи, и след това да следят за повторение на тези закономерности. Те могат също така да се самооценяват, за да подобрят точността си с течение на времето.

Според изследователите тези нови и усъвършенствани алгоритми биха могли да се използват в най-различни ситуации - например за наблюдение на моделите на сърдечния ритъм, за откриване на здравословни проблеми, които иначе биха били пропуснати.

"Съвременните алгоритми за машинно обучение са особено подходящи за прогнозиране на динамични системи чрез изучаване на основните им физически правила с помощта на данни от минали периоди", обяснява де са Барбоса.

"След като разполагаме с достатъчно данни и изчислителна мощ, можем да правим прогнози с модели за машинно обучение за всяка сложна система в реалния свят."

Справка: Learning spatiotemporal chaos using next-generation reservoir computing featured
Wendson A. S. Barbosa and Daniel J. Gauthier
Chaos 32, 093137 (2022); https://doi.org/10.1063/5.0098707 

Източник: New Approach to Machine Learning Could Make Chaos More Predictable, ScienceAlert  

Най-важното
Всички новини
За писането на коментар е необходима регистрация.
Моля, регистрирайте се от TУК!
Ако вече имате регистрация, натиснете ТУК!

Няма коментари към тази новина !