Дослідники перевірили свій алгоритм на складній проблемі, яка багато разів вивчалась у минулому.
Минуле може бути фіксованою і незмінною точкою, але за допомогою машинного навчання можна було досить точно побачити майбутнє.
Використовуючи новий тип методу машинного навчання, який називають резервуарними обчисленнями наступного покоління, дослідники з Університету штату Огайо нещодавно знайшли новий спосіб передбачати поведінку просторово-часових хаотичних систем, таких як зміни погоди на Землі, прогнозувати які вченим особливо складно.
У дослідженні, опублікованому в журналі “Chaos: An Interdicular Journal of Nonlinear Science”, використовується новий та високоефективний алгоритм, який у поєднанні з резервуарними обчисленнями наступного покоління може вивчати просторово-часові хаотичні системи за час порівняно з іншими алгоритмами машинного навчання.
Дослідники перевірили свій алгоритм на складній проблемі, яка багато разів вивчалася у минулому – прогнозуванні поведінки моделі атмосферної погоди. Порівняно з традиційними алгоритмами машинного навчання, які можуть вирішувати ті ж завдання, алгоритм команди штату Огайо точніший і використовує в 400-1250 разів менше даних для навчання, щоб робити точніші прогнози, ніж його аналог.
Їх метод також менш витратний у обчислювальному відношенні; хоча для вирішення складних обчислювальних завдань раніше був потрібний суперкомп’ютер, вони використовували ноутбук під керуванням Windows 10, щоб робити прогнози приблизно за частки секунди – приблизно в 240 тис. разів швидше, ніж традиційні алгоритми машинного навчання.
“Це дуже цікаво, оскільки ми вважаємо, що це значний прогрес з точки зору ефективності обробки даних і точності прогнозування в галузі машинного навчання”, сказав Вендсон Де Са Барбоза, провідний автор і науковий співробітник у галузі фізики в штаті Огайо. Він сказав, що навчитися передбачати ці надзвичайно хаотичні системи – це «велике завдання фізики», і їхнє розуміння може прокласти шлях до нових наукових відкриттів та проривів.
«Сучасні алгоритми машинного навчання особливо добре підходять для прогнозування динамічних систем шляхом вивчення фізичних правил, що лежать в їх основі, з використанням історичних даних», сказав Де Са Барбоза. «Щойно у вас буде достатньо даних та обчислювальної потужності, ви зможете робити прогнози за допомогою моделей машинного навчання для будь-якої реальної складної системи». Такі системи можуть включати будь-який фізичний процес, від гойдання маятника годин до збоїв в електромережах.
За словами Де Са Барбози, навіть клітини серця демонструють хаотичні просторові патерни, коли вони коливаються з аномально вищою частотою, ніж нормальне серцебиття. Це означає, що це дослідження якось може бути використане для кращого розуміння контролю та інтерпретації серцевих захворювань, а також багатьох інших «реальних» проблем.
«Якщо відомі рівняння, які точно описують, як розвиватимуться ці унікальні для системи процеси, то її поведінку можна відтворити і передбачити», сказав він. Прості рухи, такі як положення гойдання годинника, можна легко передбачити, використовуючи тільки їх поточне положення та швидкість. Більш складні системи, такі як погода на Землі, набагато важче передбачити через те, як багато змінних активно визначають їхню хаотичну поведінку.
Щоб зробити точні прогнози всієї системи, вченим знадобиться точна інформація про кожну з цих змінних, а також модельні рівняння, що описують взаємозв’язок цих багатьох змінних, що неможливо, сказав Де Са Барбоза. Але з їх алгоритмом машинного навчання майже 500 тис. історичних точок навчальних даних, використаних у попередніх роботах для прикладу атмосферної погоди, що використовується в цьому дослідженні, можна було скоротити до 400, зберігаючи при цьому ту ж чи найкращу точність.
У майбутньому Де Са Барбоза має намір продовжити свої дослідження, використовуючи їхній алгоритм для можливого прискорення просторово-часового моделювання. «Ми живемо у світі, про який все ще так мало знаємо, тому важливо розпізнати ці високодинамічні системи та навчитися ефективніше їх прогнозувати», зауважив він.
