Исследователи из Университета штата Огайо недавно открыли новый способ прогнозирования поведения пространственно-временных хаотических систем, таких как изменения погоды на Земле, которые ученым особенно трудно прогнозировать, с помощью нового типа техники машинного обучения, называемой резервуарными вычислениями следующего поколения.

В исследовании, которое недавно было опубликовано в журнале Chaos: An Interdicular Journal of Nonlinear Science, используется совершенно новый, высокоэффективный алгоритм, который в сочетании с резервуарными вычислениями следующего поколения может изучать пространственно-временные хаотические системы за долю секунды. время, требуемое традиционными алгоритмами машинного обучения.

Исследователи проверили свой метод, предсказав поведение атмосферной модели погоды — сложная задача, которая широко исследовалась в прошлом. Алгоритм команды штата Огайо является более точным и требует от 400 до 1250 раз меньше обучающих данных для получения более качественных прогнозов, чем его конкурент, традиционные алгоритмы машинного обучения, которые могут выполнять те же задачи. Они использовали ноутбук под управлением Windows 10, чтобы делать прогнозы за доли секунды, что примерно в 240 000 раз быстрее, чем обычные алгоритмы машинного обучения. Их метод также менее затратен в вычислительном отношении. Тогда как для решения сложных вычислительных задач ранее требовался суперкомпьютер.

Вендсон Де Са Барбоза, ведущий автор и научный сотрудник в области физики в штате Огайо, сказал:

Это очень интересно, так как мы считаем, что это значительный прогресс с точки зрения эффективности обработки данных и точности прогнозирования в области машинного обучения. Научиться предсказывать эти чрезвычайно хаотичные системы — это "большая физическая задача", и их понимание может проложить путь к новым научным открытиям и прорывам.

Современные алгоритмы машинного обучения особенно хорошо подходят для прогнозирования динамических систем путем изучения лежащих в их основе физических правил с использованием исторических данных. Как только у вас будет достаточно данных и вычислительной мощности, вы сможете делать прогнозы с помощью моделей машинного обучения для любой реальной сложной системы. Такие системы могут включать в себя любой физический процесс, от качания маятника часов до сбоев в электросетях.

По словам авторов работы, даже клетки сердца демонстрируют хаотические пространственные паттерны, когда они колеблются с аномально более высокой частотой, чем нормальное сердцебиение. Это означает, что это исследование однажды может быть использовано для лучшего понимания контроля и интерпретации сердечных заболеваний, а также множества других "реальных" проблем.

Если известны уравнения, которые точно описывают, как будут развиваться эти уникальные для системы процессы, то ее поведение можно воспроизвести и предсказать. Простые движения, такие как положение качания часов, можно легко предсказать, используя только их текущее положение и скорость. Еще более сложные системы, такие как погода на Земле, гораздо труднее предвидеть из-за того, как много переменных активно определяют их хаотичное поведение.

Чтобы сделать точные прогнозы всей системы, ученым потребуется точная информация о каждой из этих переменных, а также модельные уравнения, описывающие взаимосвязь этих многих переменных, что совершенно невозможно. Но с новым алгоритмом машинного обучения почти 500 000 исторических точек обучающих данных, использованных в предыдущих работах для примера атмосферной погоды, используемого в этом исследовании, можно было сократить до 400, сохраняя при этом ту же или лучшую точность.

Команда намерена продолжить свои исследования, используя алгоритм для возможного ускорения пространственно-временного моделирования.