Det förflutna må vara en fast och oföränderlig punkt, men med hjälp av maskininlärning kan framtiden ibland lättare förutses.

Med hjälp av en ny typ av maskininlärningsmetod som kallas nästa generations reservoarberäkning, har forskare vid Ohio State University nyligen hittat ett nytt sätt att förutsäga beteendet hos rumsliga kaotiska system – som förändringar i jordens väder – som är särskilt komplicerade för forskare att förutse. .

Studien, publicerad idag i tidskriften Chaos:An Interdisciplinary Journal of Nonlinear Science , använder en ny och mycket effektiv algoritm som, i kombination med nästa generations reservoarberäkningar, kan lära sig rumsliga kaotiska system på en bråkdel av tiden för andra maskininlärningsalgoritmer.

Forskare testade sin algoritm på ett komplext problem som har studerats många gånger tidigare - att förutsäga beteendet hos en atmosfärisk vädermodell. I jämförelse med traditionella maskininlärningsalgoritmer som kan lösa samma uppgifter, är Ohio State-teamets algoritm mer exakt och använder 400 till 1 250 gånger mindre träningsdata för att göra bättre förutsägelser än sin motsvarighet.

Deras metod är också mindre beräkningsmässigt dyr; medan de tidigare krävde en superdator för att lösa komplexa datorproblem, använde de en bärbar dator med Windows 10 för att göra förutsägelser på ungefär en bråkdel av en sekund – ungefär 240 000 gånger snabbare än traditionella maskininlärningsalgoritmer.

"Detta är väldigt spännande, eftersom vi tror att det är ett betydande framsteg när det gäller databehandlingseffektivitet och prediktionsnoggrannhet inom området maskininlärning", säger Wendson De Sa Barbosa, huvudförfattare och postdoktor i fysik vid Ohio State. Han sa att att lära sig att förutsäga dessa extremt kaotiska system är en "fysikstor utmaning", och att förstå dem kan bana väg för nya vetenskapliga upptäckter och genombrott.

"Moderna maskininlärningsalgoritmer är särskilt väl lämpade för att förutsäga dynamiska system genom att lära sig deras underliggande fysiska regler med hjälp av historiska data", säger De Sa Barbosa. "När du har tillräckligt med data och beräkningskraft kan du göra förutsägelser med maskininlärningsmodeller om alla komplexa system i verkligheten." Sådana system kan inkludera vilken fysisk process som helst, från en klockas pendel till störningar i elnäten.

Även hjärtceller visar kaotiska rumsliga mönster när de oscillerar med en onormalt högre frekvens än ett normalt hjärtslag, sa De Sa Barbosa. Det betyder att den här forskningen en dag kan användas för att ge bättre insikt om att kontrollera och tolka hjärtsjukdomar, såväl som en mängd andra "verkliga" problem.

"Om man känner till ekvationerna som exakt beskriver hur dessa unika processer för ett system kommer att utvecklas, då kan dess beteende reproduceras och förutsägas," sa han. Enkla rörelser, som svängpositionen för en klocka, kan enkelt förutsägas med endast dess nuvarande position och hastighet. Ännu mer komplexa system, som jordens väder, är mycket svårare att förutse på grund av hur många variabler som aktivt dikterar dess kaotiska beteende.

För att göra exakta förutsägelser av hela systemet skulle forskare behöva ha korrekt information om varenda en av dessa variabler, och modellekvationerna som beskriver hur dessa många variabler är relaterade, vilket är helt omöjligt, sa De Sa Barbosa. Men med deras maskininlärningsalgoritm kunde de nästan 500 000 historiska träningsdatapunkterna som använts i tidigare arbeten för det atmosfäriska väderexemplet som användes i denna studie reduceras till endast 400, samtidigt som de fortfarande uppnår samma eller bättre noggrannhet.

Framöver siktar De Sa Barbosa på att främja sin forskning genom att använda deras algoritm för att möjligen påskynda rumsliga simuleringar, sa han.

"Vi lever i en värld som vi fortfarande vet så lite om, så det är viktigt att känna igen dessa högdynamiska system och lära sig hur man mer effektivt förutsäger dem." + Utforska vidare

Genombrott rapporterat inom maskininlärning förbättrad kvantkemi