Wykorzystując nowy rodzaj metody uczenia maszynowego zwanej obliczeniami zbiornikowymi (ang. reservoir computing) nowej generacji, naukowcy z Ohio State University odkryli nowy sposób na przewidywanie zachowania czasoprzestrzennych układów chaotycznych. Takie systemy, jak na przykład zmiany pogody na Ziemi, są szczególnie trudne dla naukowców do przewidywania.
Badanie, opublikowane w czasopiśmie Chaos: An Interdisciplinary Journal of Nonlinear Science, wykorzystuje nowy i bardzo wydajny algorytm. W połączeniu z obliczeniami zbiornikowymi nowej generacji może on uczyć się czasoprzestrzennych systemów chaotycznych wielokrotnie szybciej, niż zajmuje to innym algorytmom uczenia maszynowego.
Uczenie maszynowe to jedna z tych technologii, która rewolucjonizuje dzisiaj nie tylko naukę, ale także nasze życie. Zachęcamy do lektury artykułu, w którym wyjaśniamy, czym tak właściwie jest ta technologia: „Uczenie maszynowe – co to jest i jak otaczają nas technologie na nim oparte?”.
Nowy algorytm działa aż 240 000 razy szybciej
Naukowcy przetestowali swój algorytm na złożonym problemie, który był wielokrotnie badany w przeszłości: prognozowaniu zachowania atmosferycznego modelu pogody. W porównaniu z tradycyjnymi algorytmami uczenia maszynowego, które mogą rozwiązywać te same zadania, algorytm zespołu z Ohio State jest dokładniejszy. Dodatkowo wykorzystuje od 400 do 1250 razy mniej danych treningowych, aby uzyskać lepsze prognozy niż jego odpowiednik. Metoda ta jest również mniej kosztowna obliczeniowo: podczas gdy rozwiązywanie złożonych problemów obliczeniowych wymagało wcześniej superkomputera, badacze z Ohio użyli laptopa z systemem Windows 10, aby uzyskać przewidywania w ułamku sekundy. Jest to mniej więcej 240 000 razy szybciej niż w przypadku tradycyjnych algorytmów uczenia maszynowego.
Wendson De Sa Barbosa, główny autor badania i doktor nauk fizycznych w Ohio State, powiedział, że „to bardzo ekscytujące, ponieważ uważamy, że jest to znaczny postęp w zakresie wydajności przetwarzania danych i dokładności przewidywania w dziedzinie uczenia maszynowego”. Przyznał także, że nauka prognozowania tych niezwykle chaotycznych systemów jest „wielkim wyzwaniem dla fizyki”, a ich zrozumienie może utorować drogę do nowych odkryć naukowych i przełomów.
Jak powiedział De Sa Barbosa, „nowoczesne algorytmy uczenia maszynowego są szczególnie dobrze przystosowane do przewidywania systemów dynamicznych poprzez uczenie się ich podstawowych zasad fizycznych przy użyciu danych historycznych”. Badacz dodał również, że „kiedy masz wystarczająco dużo danych i mocy obliczeniowej, możesz dokonać prognoz za pomocą modeli uczenia maszynowego dotyczących dowolnego złożonego systemu w świecie rzeczywistym”. Takie systemy mogą obejmować dowolny proces fizyczny, od ruchów wahadła zegara po zakłócenia w sieciach energetycznych.
Uczenie maszynowe pomoże diagnozować choroby serca?
De Sa Barbosa twierdzi, że nawet komórki serca wykazują chaotyczne wzory przestrzenne, gdy oscylują z nienormalnie wyższą częstotliwością niż normalne bicie serca. Oznacza to, że badania jego zespołu mogą pewnego dnia zostać wykorzystane do zapewnienia lepszego wglądu w kontrolowanie i diagnozowanie chorób serca, a także szeregu innych problemów „świata rzeczywistego”.
Badacz powiedział także, że „jeśli się zna równania, które dokładnie opisują ewolucję tych unikalnych dla systemu procesów, to jego zachowanie można odtworzyć i przewidzieć”. Proste ruchy, takie jak pozycja wahadła zegara, można łatwo przewidzieć tylko na podstawie jego aktualnej pozycji i prędkości. Jednak bardziej złożone systemy, takie jak ziemska pogoda, są znacznie trudniejsze do prognozowania ze względu na to, jak wiele zmiennych aktywnie dyktuje ich chaotyczne zachowanie.
Aby precyzyjnie przewidzieć cały system, naukowcy musieliby dysponować dokładnymi informacjami na temat każdej z tych zmiennych. Potrzebowaliby także równań modelowych, które opisują, jak te liczne zmienne są ze sobą powiązane. De Sa Barbosa twierdzi, że jest to całkowicie niemożliwe. Ale dzięki algorytmowi uczenia maszynowego, stworzonemu przez jego zespół, prawie pół miliona historycznych danych szkoleniowych, używanych w poprzednio dla atmosferycznego przykładu pogodowego, może być zredukowane do zaledwie 400. I pomimo tego wciąż osiągnąć taką samą lub nawet lepszą dokładność.
W przyszłości De Sa Barbosa chce kontynuować swoje badania, używając algorytmu, aby możliwie przyspieszyć symulacje czasoprzestrzenne. Naukowiec powiedział, że „żyjemy w świecie, o którym wciąż wiemy bardzo mało, więc ważne jest, aby rozpoznać te wysokodynamiczne systemy i nauczyć się, jak skuteczniej je przewidywać”.
Uczenie maszynowe dostarcza nam odpowiedzi na wiele pytań, które inaczej jeszcze długo mogłyby pozostać jedynie w sferze domysłów. O tym, w jaki sposób wykorzystuje się tę technologię, pisaliśmy na naszym blogu na przykład w tekście „Co znajduje się w czarnej dziurze? Odpowiedzi dostarczą obliczenia kwantowe i uczenie maszynowe”.
Źródło: Science Daily