Skip to content
Home » Machine learning helpt wetenschappers (een seconde) in de toekomst te kijken

Machine learning helpt wetenschappers (een seconde) in de toekomst te kijken

    Machine learning helpt wetenschappers (een seconde) in de toekomst te kijken
    Machine learning helpt wetenschappers (een seconde) in de toekomst te kijken

    Optimalisatie van de nokparameter voor de resultaten getoond in Fig. 5, 6 en 8. Gemiddelde voorspellingshorizon als functie van de nokparameter 𝛼α voor verschillende trainingstijden (zie de legenda kleurcode) voor het Lorenz96 systeem met 𝐿=36,𝐽=𝐼=10L=36,J=I= 10 [(a)–(c)]𝐿=𝐽=𝐼=8L=J=I=8 [(d)–(f)]en 𝐿=40,𝐽=𝐼=0L=40,J=I=0 [(g)–(i)]. Voor elk geval worden optimalisaties voor een enkele NG-RC, 𝐿L onafhankelijke NG-RC’s en 𝐿L NG-RC’s met behulp van translationele symmetrie gepresenteerd. Het gekleurde gebied rond de curven vertegenwoordigt de standaarddeviatie van het gemiddelde. Credit: Chaos: een interdisciplinair tijdschrift voor niet-lineaire wetenschap (2022). DOI: 10.1063/5.0098707

    Het verleden kan een vast en onveranderlijk punt zijn, maar met behulp van machine learning kan de toekomst soms gemakkelijker worden bepaald.


    Met behulp van een nieuw type machine learning-methode genaamd reservoir computing van de volgende generatie, hebben onderzoekers van de Ohio State University onlangs een nieuwe manier gevonden om het gedrag te voorspellen van tijdruimtelijke chaotische systemen – zoals veranderingen in het weer op aarde – die voor wetenschappers bijzonder complex zijn om te voorspellen .

    De studie die vandaag in het tijdschrift is gepubliceerd Chaos: een interdisciplinair tijdschrift voor niet-lineaire wetenschapmaakt gebruik van een nieuw en zeer efficiënt algoritme dat, in combinatie met reservoircomputing van de volgende generatie, tijdruimtelijke chaotische systemen kan leren in een fractie van de tijd van andere algoritmen voor machine learning.

    Onderzoekers hebben hun algoritme getest op een complex probleem dat in het verleden vele malen is bestudeerd: het voorspellen van het gedrag van een atmosferisch weermodel. In vergelijking met traditionele machine learning-algoritmen die dezelfde taken kunnen oplossen, is het algoritme van het Ohio State-team nauwkeuriger en gebruikt het 400 tot 1.250 keer minder trainingsgegevens om betere voorspellingen te doen dan zijn tegenhanger.

    Hun methode is ook minder rekenkundig duur; terwijl het oplossen van complexe computerproblemen voorheen een supercomputer vereiste, gebruikten ze een laptop met Windows 10 om voorspellingen te doen in ongeveer een fractie van een seconde – ongeveer 240.000 keer sneller dan traditionele algoritmen voor machine learning.

    “Dit is heel opwindend, omdat we geloven dat het een substantiële vooruitgang is op het gebied van gegevensverwerkingsefficiëntie en voorspellingsnauwkeurigheid op het gebied van machine learning”, zegt Wendson De Sa Barbosa, hoofdauteur en een postdoctoraal onderzoeker in de natuurkunde aan de Ohio State. Hij zei dat het leren voorspellen van deze extreem chaotische systemen een ‘natuurkundige grote uitdaging’ is en dat het begrijpen ervan de weg zou kunnen effenen voor nieuwe wetenschappelijke ontdekkingen en doorbraken.

    “Moderne algoritmen voor machine learning zijn bijzonder geschikt voor het voorspellen van dynamische systemen door hun onderliggende fysieke regels te leren met behulp van historische gegevens”, zegt De Sa Barbosa. “Als je eenmaal genoeg gegevens en rekenkracht hebt, kun je voorspellingen doen met machine learning-modellen over elk complex systeem in de echte wereld.” Dergelijke systemen kunnen elk fysiek proces omvatten, van het dobberen van de slinger van een klok tot verstoringen in elektriciteitsnetten.

    Zelfs hartcellen vertonen chaotische ruimtelijke patronen wanneer ze oscilleren met een abnormaal hogere frequentie dan een normale hartslag, zei De Sa Barbosa. Dat betekent dat dit onderzoek op een dag kan worden gebruikt om beter inzicht te krijgen in het beheersen en interpreteren van hartaandoeningen, evenals een hele reeks andere ‘echte’ problemen.

    “Als men de vergelijkingen kent die nauwkeurig beschrijven hoe deze unieke processen voor een systeem zullen evolueren, dan kan het gedrag ervan worden gereproduceerd en voorspeld”, zei hij. Eenvoudige bewegingen, zoals de zwaaipositie van een klok, kunnen eenvoudig worden voorspeld met alleen de huidige positie en snelheid. Nog complexere systemen, zoals het weer op aarde, zijn veel moeilijker te voorzien vanwege het aantal variabelen dat actief het chaotische gedrag dicteert.

    Om nauwkeurige voorspellingen van het hele systeem te maken, zouden wetenschappers nauwkeurige informatie moeten hebben over elk van deze variabelen, en de modelvergelijkingen die beschrijven hoe deze vele variabelen gerelateerd zijn, wat helemaal onmogelijk is, zei De Sa Barbosa. Maar met hun machine learning-algoritme konden de bijna 500.000 historische trainingsgegevenspunten die in eerdere werken voor het atmosferische-weervoorbeeld dat in dit onderzoek werd gebruikt, worden teruggebracht tot slechts 400, terwijl ze nog steeds dezelfde of betere nauwkeurigheid bereiken.

    In de toekomst wil De Sa Barbosa zijn onderzoek voortzetten door hun algoritme te gebruiken om mogelijk tijdruimtelijke simulaties te versnellen, zei hij.

    “We leven in een wereld waar we nog zo weinig van weten, dus het is belangrijk om deze hoogdynamische systemen te herkennen en te leren hoe we ze efficiënter kunnen voorspellen.”


    Doorbraak gerapporteerd in door machine learning verbeterde kwantumchemie


    Informatie:
    Wendson AS Barbosa et al, Spatiotemporele chaos leren met behulp van reservoircomputing van de volgende generatie, Chaos: een interdisciplinair tijdschrift voor niet-lineaire wetenschap (2022). DOI: 10.1063/5.0098707

    Geleverd door de Ohio State University

    citaat: Machine learning helpt wetenschappers om (een seconde) in de toekomst te kijken (2022, 28 september) opgehaald op 29 september 2022 van https://phys.org/news/2022-09-machine-scientists-peer-future.html

    Op dit document rust copyright. Afgezien van een eerlijke handel ten behoeve van eigen studie of onderzoek, mag niets worden gereproduceerd zonder schriftelijke toestemming. De inhoud wordt uitsluitend ter informatie verstrekt.