Om en giftig gas släpptes i en bioterrorismattack, förmågan att förutsäga dess molekylers väg - genom turbulenta vindar, temperaturförändringar och instabila livskraft - kan betyda liv eller död. Att förstå hur en stad kommer att växa och förändras under en 20-årsperiod kan leda till mer hållbar planering och prisvärda bostäder.

Att härleda ekvationer för att lösa sådana problem – att lägga ihop alla relevanta krafter – är, i bästa fall, svårt så nära att det är omöjligt och som värst, faktiskt omöjligt. Men maskininlärning kan hjälpa.

Använda aerosolpartiklarnas rörelse genom ett flödessystem, forskare från McKelvey School of Engineering vid Washington University i St. Louis har tagit fram en ny modell, baserad på en metod för djupinlärning, som kan hjälpa forskare att förutsäga beteendet hos kaotiska system, om dessa system finns i labbet, i hagen eller någon annanstans.

"Det är skönheten med aerosoler, sa Rajan Chakrabarty, biträdande professor i energi, miljö- och kemiteknik. "Det går bortom en disciplin, det är bara grundläggande partiklar som flyter i luften och man bara observerar kaoset. "

Forskningen publicerades som en omslagsartikel i Journal of Aerosol Science .

Chakrabarty och hans team - postdoktorn Pai Liu och Jingwei Gan, sedan en Ph.D. kandidat vid Illinois Institute of Technology - testade två djupinlärningsmetoder och bestämde att det generativa kontradiktoriska nätverket gav de mest exakta resultaten. Denna typ av AI matas först med information om en verklig process, sedan, baserat på dessa uppgifter, det skapar en simulering av den processen.

Motiverad av spelteori, ett generativt motståndsnätverk tar emot både grundsanningen (verklig) och slumpmässigt genererad data (falsk) och försöker avgöra vilken som är verklig och vilken som är falsk.

Denna process upprepas många gånger, ge feedback, och systemet som helhet blir ständigt bättre på att generera datamatchning som det utbildades på.

Det är beräkningsmässigt dyrt att beskriva en aerosolpartikels kaotiska rörelse genom ett turbulent system, så Chakrabarty och hans team behövde riktig data – ett verkligt exempel – för att träna sitt system. Det var här aerosoler kom in.

Teamet använde den flytkraftmotverkande lågan i Chakrabarty-labbet för att skapa exempel som AI kunde tränas på. "I detta fall, vi lade experimentellt till kaos till ett system genom att introducera flytkraft och temperaturskillnader, " sade Chakrabarty. Sedan, de slog på en höghastighetskamera och spelade in 3D-banadatauppsättningar för sotpartiklar när de slingrade sig igenom, zippade runt och sköt över lågan.

De tränade två typer av artificiell intelligensmodeller med data från brandkammaren:den variationsmässiga autoencodermetoden och ett generativt motståndsnätverk (GAN). Varje modell producerade sedan sin egen simulering. Endast GAN:s banor speglade de statistiska egenskaperna som hittades i experimenten, producerar verklighetstrogna simuleringar av kaotiska aerosolpartiklar.

Chakrabartys djupinlärningsmodell kan göra mer än att simulera var sot, eller kemikalier, kommer att sluta när den släpps ut i atmosfären. "Du ser många exempel på den här typen av kaos, från födosökande djur, till transport av luftföroreningar och biohot, till sök- och räddningsstrategier, " han sa.

Faktiskt, labbet arbetar nu med en psykiater som tittar på effektiviteten av behandling hos barn med tic-syndrom. "Tics är kaotiska, "Chakrabarty förklarade, så den typiska kliniska prövningsinställningen kanske inte är effektiv för att bestämma ett läkemedels effekt.

Den breda tillämpningen av denna nya deep learning -modell talar inte bara om kraften i artificiell intelligens, men kan också säga något mer framträdande om verkligheten.

"Kaos, eller beställ, beror på betraktarens öga, "sa han." Vad detta säger till dig är att det finns vissa lagar som styr allt omkring oss. Men de är dolda.

"Du måste bara avslöja dem."