Strojno učenje za gledanje u budućnost

Koristeći novu vrstu metode strojnog učenja pod nazivom "reservoir computing" koja je izvedena iz teorije rekurentnih neuronskih mreža koja preslikava ulazne signale u višedimenzionalne računske prostore kroz dinamiku fiksnog, nelinearnog sustava, istraživači sa Sveučilišta Ohio State nedavno su pronašli novi način predviđanja ponašanja prostorno-vremenskih kaotičnih sustava poput promjena u vremenu na Zemlji, koji su za znanstvenike posebno složeni za prognozirati.

Studija, objavljena časopisu Chaos: An Interdisciplinary Journal of Nonlinear Science, koristi novi i vrlo učinkovit algoritam koji, u kombinaciji s računalstvom sljedeće generacije, može naučiti prostorno-vremenske kaotične sustave u djeliću vremena prije nego drugi algoritmi strojnog učenja.

Istraživači su testirali svoj algoritam na složenom problemu koji je proučavan mnogo puta u prošlosti, predviđanju ponašanja modela atmosferskog vremena. U usporedbi s tradicionalnim algoritmima strojnog učenja koji mogu riješiti iste zadatke, algoritam tima Ohio State je točniji i koristi 400 do 1250 puta manje podataka za obuku kako bi napravio bolja predviđanja nego njegov kolega.

Njihova je metoda također računalno jeftinija. Dok su za rješavanje složenih računalnih problema prethodno upogonili superračunalo, sada su koristili prijenosno računalo sa sustavom Windows 10 za izradu predviđanja u otprilike djeliću sekunde, odnosno oko 240.000 puta brže od tradicionalnih algoritama strojnog učenja.

"Ovo je vrlo uzbudljivo, jer vjerujemo da je to značajan napredak u smislu učinkovitosti obrade podataka i točnosti predviđanja u području strojnog učenja", rekao je Wendson De Sa Barbosa, glavni autor i postdoktorski istraživač fizike u državi Ohio. Rekao je da je učenje predviđanja ovih krajnje kaotičnih sustava "veliki izazov fizike", a njihovo razumijevanje moglo bi otvoriti put novim znanstvenim otkrićima i pomacima.

"Moderni algoritmi strojnog učenja posebno su prikladni za predviđanje dinamičkih sustava učenjem njihovih temeljnih fizičkih pravila pomoću povijesnih podataka", rekao je De Sa Barbosa. "Kad budete imali dovoljno podataka i računalne snage, možete predviđati pomoću modela strojnog učenja o bilo kojem složenom sustavu u stvarnom svijetu." Takvi sustavi mogu uključivati ​​bilo koji fizički proces, od ljuljanja sata do poremećaja u električnim mrežama.

Čak i srčane stanice pokazuju kaotične prostorne obrasce kada osciliraju na abnormalno višoj frekvenciji od normalnog otkucaja srca, rekao je De Sa Barbosa. To znači da bi se ovo istraživanje jednog dana moglo upotrijebiti za pružanje boljeg uvida u kontrolu i tumačenje srčanih bolesti, kao i hrpu drugih problema iz "stvarnog svijeta".

"Ako netko zna jednadžbe koje točno opisuju kako će se ovi jedinstveni procesi za sustav razvijati, tada se njegovo ponašanje može reproducirati i predvidjeti", rekao je. Jednostavni pokreti, kao što je položaj ljuljačke sata, mogu se lako predvidjeti koristeći samo njegov trenutni položaj i brzinu. Ipak, složenije sustave, poput vremena na Zemlji, daleko je teže predvidjeti zbog toga koliko varijabli aktivno diktiraju njegovo kaotično ponašanje.

Da bi napravili precizna predviđanja cijelog sustava, znanstvenici bi morali imati točne informacije o svakoj pojedinoj od ovih varijabli i jednadžbe modela koje opisuju kako su te mnoge varijable povezane, što je potpuno nemoguće, rekao je De Sa Barbosa. Ali s njihovim algoritmom strojnog učenja, gotovo 500.000 povijesnih podatkovnih točaka za obuku korištenih u prethodnim radovima za primjer atmosferskog vremena korištenog u ovoj studiji moglo bi se smanjiti na samo 400, a da se još uvijek postigne ista ili bolja točnost.

"Živimo u svijetu o kojem još uvijek znamo tako malo, stoga je važno prepoznati te visokodinamične sustave i naučiti kako ih učinkovitije predvidjeti", kaže Barbosa.