Як штучний інтелект може передбачати рідкісні катастрофічні події

За словами дослідників з Брауна та Массачусетського технологічного інституту, вчені можуть використовувати поєднання вдосконаленого машинного навчання та методів послідовної вибірки для прогнозування екстремальних подій без потреби у великих наборах даних.

Коли справа доходить до прогнозування катастроф, спричинених екстремальними подіями (землетрусами, пандеміями чи «хвилями-шахраями», які можуть зруйнувати прибережні споруди), комп’ютерне моделювання стикається з майже нездоланною проблемою: статистично кажучи, ці події настільки рідкісні, що їх просто недостатньо. дані про них, щоб використовувати прогностичні моделі для точного прогнозування, коли вони відбудуться наступного разу.

Однак група вчених з Університету Брауна та Массачусетського технологічного інституту припускає, що це не повинно бути саме так.

У дослідженні, опублікованому в Nature Computational Science, дослідники пояснюють, як вони використовували статистичні алгоритми, які потребують менше даних для точних прогнозів, у поєднанні з потужною технікою машинного навчання, розробленою в Університеті Брауна. Ця комбінація дозволила їм передбачити сценарії, ймовірності та навіть часові рамки рідкісних подій, незважаючи на відсутність історичних даних.

Роблячи це, дослідницька група виявила, що ця нова структура може забезпечити спосіб обійти потребу у величезних обсягах даних, які традиційно потрібні для такого роду обчислень натомість по суті, зводячи великий виклик прогнозування рідкісних подій до питання якості. над кількістю.

«Ви повинні усвідомити, що це стохастичні події», — сказав Джордж Карніадакіс, професор прикладної математики та інженерії в Брауні та автор дослідження. «Спалах пандемії, як-от COVID-19, екологічна катастрофа в Мексиканській затоці, землетрус, величезні лісові пожежі в Каліфорнії, 30-метрова хвиля, яка перекидає корабель, — це рідкісні події, і оскільки вони рідкісні, ми не у мене багато історичних даних. У нас недостатньо зразків з минулого, щоб передбачити їх подальше майбутнє. Питання, яке ми розглядаємо в статті, таке: які найкращі дані ми можемо використати, щоб мінімізувати кількість потрібних точок даних?»

Дослідники знайшли відповідь у методі послідовної вибірки під назвою активне навчання. Ці типи статистичних алгоритмів здатні не тільки аналізувати введені в них дані, але, що більш важливо, вони можуть вчитися на основі інформації, щоб позначати нові релевантні точки даних, які однаково або навіть більш важливі для результату, який обчислюється. На самому базовому рівні вони дозволяють зробити більше з меншими витратами.

Це критично важливо для моделі машинного навчання, яку дослідники використовували в дослідженні. Модель під назвою DeepOnet є типом штучної нейронної мережі, яка використовує взаємопов’язані вузли в послідовних шарах, які приблизно імітують зв’язки, створені нейронами в мозку людини. DeepOnet відомий як глибокий нейронний оператор. Це більш досконалий і потужний, ніж типові штучні нейронні мережі, тому що це фактично дві нейронні мережі в одній, які обробляють дані у двох паралельних мережах. Це дозволяє йому аналізувати гігантські набори даних і сценаріїв із шаленою швидкістю, щоб викинути настільки ж великі набори ймовірностей, як тільки він дізнається, що він шукає.

Вузьким місцем цього потужного інструменту, особливо якщо він стосується рідкісних подій, є те, що операторам глибокої нейронної системи потрібна маса даних, які потрібно навчити, щоб робити ефективні та точні обчислення.

У статті дослідницька група показує, що в поєднанні з методами активного навчання модель DeepOnet може навчитися тому, які параметри або передвісники шукати, що призводять до катастрофічної події, яку хтось аналізує, навіть якщо немає великої кількості точок даних.

«Суть полягає не в тому, щоб взяти всі можливі дані та ввести їх у систему, а в тому, щоб активно шукати події, які означатимуть рідкісні події», — сказав Карніадакіс. «Можливо, у нас не так багато прикладів реальних подій, але ми можемо мати ці провісники. За допомогою математики ми ідентифікуємо їх, що разом із реальними подіями допоможе нам навчити цього жадібного до даних оператора».

У статті дослідники застосовують підхід до точного визначення параметрів і різних діапазонів ймовірностей небезпечних стрибків під час пандемії, пошуку та прогнозування хвиль-шахраїв, а також оцінки того, коли корабель трісне навпіл через стрес. Наприклад, дослідники виявили, що хвилі-шахраї — хвилі, які вдвічі перевищують розмір навколишніх хвиль — можуть виявити та кількісно визначити, коли утворюються хвилі-шахраї, дивлячись на ймовірні умови хвилі, які нелінійно взаємодіють з плином часу, призводячи до хвиль іноді в три рази їх початковий розмір.

Дослідники виявили, що їхній новий метод перевершив більш традиційні спроби моделювання, і вони вважають, що він є основою, яка може ефективно виявляти та передбачати всілякі рідкісні події.

У статті дослідницька група описує, як вчені повинні розробляти майбутні експерименти, щоб вони могли мінімізувати витрати та підвищити точність прогнозування. Карніадакіс, наприклад, уже працює з екологами над використанням нового методу для прогнозування кліматичних явищ, таких як урагани.