دانشمندان از یادگیری ماشینی برای نگاه کردن به آینده استفاده می‌کنند

منتشر شده در scitechdaily به تاریخ ۲۰ اکتبر، ۲۰۲۲
لینک منبع: Scientists Use Machine Learning To Peer Into the Future

در حال حاضر به لطف یک الگوریتم جدید، پیش‌بینی فرآیندهای فیزیکی آشفته آسان‌تر شده‌است.

در حالی که گذشته ممکن است یک نقطه ثابت و غیرقابل‌تغییر باشد، یادگیری ماشینی گاهی‌اوقات می‌تواند پیش‌بینی آینده را آسان‌تر کند.

محققان در دانشگاه ایالتی اوهایو اخیرا یک راه جدید برای پیش‌بینی رفتار سیستم‌های آشفته فضایی و زمانی کشف کرده‌اند، مانند تغییرات در آب‌وهوای زمین، که به‌طور خاص برای دانشمندان پیش‌بینی استفاده از نوع جدیدی از تکنیک یادگیری ماشین به نام محاسبه نسل آینده مخزن دشوار است.

این تحقیق، که اخیرا در مجله Chaos منتشر شده‌است: یک مجله بین رشته‌ای علوم غیرخطی، از یک الگوریتم بسیار جدید برند استفاده می‌کند که وقتی با محاسبات مخزن نسل بعدی ترکیب می‌شود، می‌تواند سیستم‌های آشفته فضایی و زمانی را در کسری از زمان مورد نیاز الگوریتم‌های یادگیری ماشینی سنتی یاد بگیرد.

محققان روش خود را با پیش‌بینی رفتار یک مدل آب‌وهوای جوی، که یک مشکل چالش‌برانگیز است و در گذشته به‌طور گسترده مورد تحقیق قرار گرفته‌است، به آزمایش می‌گذارند. الگوریتم تیم ایالت اوهایو دقیق‌تر است و به داده‌های آموزشی ۴۰۰ تا ۱۲۵۰ برابر کم‌تر نیاز دارد تا پیش‌بینی‌های بهتری نسبت به الگوریتم‌های یادگیری ماشینی سنتی رقیب خود که می‌توانند همان وظایف را انجام دهند، ایجاد کند. آن‌ها از یک لپ‌تاپ در حال اجرای ویندوز ۱۰ برای پیش‌بینی در کسری از ثانیه استفاده کردند، که تقریبا ۲۴۰۰۰۰ برابر سریع‌تر از الگوریتم‌های یادگیری ماشینی معمولی است. روش آن‌ها نیز از نظر محاسباتی ارزان‌تر است؛ در حالی که حل مسائل محاسباتی پیچیده قبلا به یک ابرکامپیوتر نیاز داشت.

مولف اصلی و محقق فوق‌دکترا در فیزیک ایالت اوهایو، Wendson De Barbosa، گفت: «این بسیار هیجان‌انگیز است، زیرا ما معتقدیم که این پیشرفت قابل‌توجهی از نظر کارایی پردازش داده و دقت پیش‌بینی در زمینه یادگیری ماشینی است.» او گفت که یادگیری پیش‌بینی این سیستم‌های بسیار آشفته یک «چالش بزرگ فیزیک» است و درک آن‌ها می‌تواند راه را برای اکتشافات و پیشرفت‌های علمی جدید هموار کند.

همچنین De Sa Barbosa گفت: «الگوریتم‌های یادگیری ماشینی مدرن به‌ویژه برای پیش‌بینی سیستم‌های دینامیکی با یادگیری قوانین فیزیکی اساسی خود با استفاده از داده‌های تاریخی مناسب هستند.» «هنگامی که اطلاعات و قدرت محاسباتی کافی داشته باشید، می‌توانید با مدل‌های یادگیری ماشینی در مورد هر سیستم پیچیده دنیای واقعی پیش‌بینی کنید.» چنین سیستم‌هایی می‌توانند هر فرآیند فیزیکی را شامل شوند، از بدنه یک آونگ ساعت گرفته تا اختلال در شبکه‌های برق.

به گفته De Sa Barbosa: حتی سلول‌های قلب نیز زمانی که با فرکانس غیرعادی بالاتر از ضربان قلب عادی نوسان می‌کنند، الگوهای فضایی آشفته را نشان می‌دهند. این بدان معناست که این تحقیق می‌تواند روزی برای ارائه بینش بهتر در مورد کنترل و تفسیر بیماری‌های قلبی، و همچنین مجموعه‌ای از مشکلات «دنیای واقعی» دیگر مورد استفاده قرار گیرد.

او گفت: «اگر کسی معادلاتی را بشناسد که به دقت توصیف کنند که چگونه این فرآیندهای منحصر به فرد برای یک سیستم تکامل خواهند یافت، آنگاه رفتار آن می‌تواند دوباره تولید و پیش‌بینی شود.» حرکات ساده، مانند موقعیت نوسان یک ساعت، را می‌توان به راحتی با استفاده از موقعیت و سرعت جریان آن پیش‌بینی کرد. با این حال، پیش‌بینی سیستم‌های پیچیده‌تر، مانند آب‌وهوای زمین، به دلیل این که چه تعداد متغیر به‌طور فعال رفتار آشفته آن را دیکته می‌کنند، بسیار سخت‌تر است.

به گفته De Sa Barbosa: برای پیش‌بینی دقیق کل سیستم، دانشمندان باید اطلاعات دقیقی در مورد هر یک از این متغیرها داشته باشند، و معادلات مدلی که چگونگی ارتباط این متغیرها را توصیف می‌کنند، که روی هم رفته غیرممکن است. اما با الگوریتم یادگیری ماشینی آن‌ها، تقریباً ۵۰۰۰۰۰ نقطه داده آموزشی تاریخی استفاده شده در کارهای قبلی برای مثال آب‌وهوای جوی مورد استفاده در این مطالعه را می‌توان به تنها ۴۰۰ کاهش داد، در حالی که همچنان به همان دقت یا دقت بهتری دست یافت.

او گفت، «De Sa Barbosa» قصد دارد تحقیقات خود را با استفاده از الگوریتم آن‌ها برای سرعت بخشیدن به شبیه‌سازی‌های فضایی و زمانی بیشتر کند.

«ما در دنیایی زندگی می‌کنیم که هنوز اطلاعات کمی درباره آن داریم، بنابراین مهم است که این سیستم‌های با پویایی بالا را شناسایی کنیم و یاد بگیریم چگونه آن‌ها را بهتر پیش‌بینی کنیم.»

این متن با استفاده از ربات ‌ترجمه مقالات یادگیری ماشینی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.