Новое исследование показало, что редкие катастрофы типа « черного лебедя », такие как землетрясения или пандемии, которые трудно предсказать, могут стать предсказуемыми с помощью ИИ.
Необычные события, такие как волны-убийцы или лесные пожары , могут иметь ужасные последствия . Однако их редкость означает, что у прогностических моделей мало исторических данных для анализа, чтобы точно предсказать, когда они могут произойти в будущем. Кроме того, эти события часто возникают из-за неизвестного набора физических условий, что делает их прогнозирование аналогичным поиску иголки «в бесконечном стоге сена», отмечается в исследовании.
Теперь исследователи предложили новую стратегию для преодоления этих проблем. Он объединяет ИИ, который обычно опирается на огромное количество данных для обучения, со статистическим подходом, известным как байесовское рассуждение , в котором предварительные знания помогают вычислить вероятность того, что неопределенный выбор может быть правильным.
Цель этой комбинации — определить, какие точки данных могут быть наиболее полезными, когда речь идет о точном прогнозировании редких событий. Суть в том, чтобы максимально использовать скудные данные. По сути, качество точек данных может помочь компенсировать их нехватку, потенциально позволяя делать больше с меньшими затратами.
«Обычно для успеха ИИ требуется большое количество данных, — говорит ведущий автор исследования Итан Пикеринг, специалист по машинному обучению, который сейчас работает в Bayer Crop Sciences в Кембридже, штат Массачусетс. — При нашем подходе требуется лишь небольшой объем тщательно отобранных данных. для получения точных и надежных результатов».
Предыдущие исследования в области прогнозирования экстремальных явлений были сосредоточены на разработке уравнений для правильного моделирования сложных систем, вызывающих эти явления. Однако «основные уравнения этих систем чрезвычайно чувствительны к шуму и предположениям, а это означает, что даже тщательно разработанные физические модели часто терпят неудачу и их невозможно реализовать на практике», — говорит Пикеринг. Хуже того, эти основные уравнения «обычно неизвестны для реальных систем, которые нам интересны, что оставляет нас без методов, основанных на физике, для понимания этих явлений». Вместо этого ученые полагались на системы искусственного интеллекта, которые делали прогнозы только на основе данных. «ИИ предоставляет гибкую возможность пропустить эту фундаментальную задачу, основанную на уравнениях, и основывать наше понимание этих систем на наблюдаемой истине», — говорит Пикеринг. «Препятствие в этом, однако, заключается в том, что нам нужно достаточно данных, чтобы ИИ мог эффективно понять сложную систему, которую мы просим его смоделировать».
В новом исследовании исследователи экспериментировали с глубокой нейронной сетью под названием DeepONet . Нейронная сеть состоит из вычислительных узлов, соединенных друг с другом таким образом, который примерно имитирует связи между нейронами в человеческом мозгу. Нейронная сеть называется « глубокой », если она имеет несколько слоев узлов.
В частности, DeepONet — это оператор глубокой нейронной сети. Эта разновидность системы ИИ состоит из двух нейронных сетей в одной, обрабатывающих данные в двух параллельных сетях. Эта архитектура помогает ему эффективно изучать, как работают физические системы.
«Использование ансамбля глубоких нейронных операторов приводит к количественной оценке неопределенности, что позволяет нашему подходу хорошо работать», — говорит Пикеринг.
Ученые отметили, что их подход помог проанализировать риски ряда редких сценариев, в том числе оценить вероятность опасных всплесков заболеваемости во время пандемии, выяснить, какие, казалось бы, безобидные волны могут привести к опасным волнам-изгоям, и оценить, когда судно может треснуть. наполовину из-за стресса.
Пикеринг и его коллеги обнаружили, что их новый метод превзошел традиционные усилия по моделированию, когда дело дошло до предсказания этих событий. «Мы были просто удивлены тем, насколько хорошо наш подход работал для каждой системы, которую мы пробовали, включая многие, не описанные в документе, а также очень сложные системы», — говорит Пикеринг.
В будущем ученые хотели бы использовать свою стратегию, чтобы помочь прогнозировать бедствия, которые, как предполагают современные компьютерные модели, придут с изменением климата.
«Я приведу актуальный пример, поскольку в этом, 2023 году, мы ожидаем, что Эль-Ниньо вызовет значительное увеличение экстремальных погодных явлений, а именно ураганов», — говорит Пикеринг. Стратегия исследователей в сочетании с компьютерными моделями ураганов может помочь «эффективно раскрыть вероятные и катастрофические сценарии, к которым общество должно подготовиться в 2023 году», а также «может быть использована для выявления оптимальных сценариев смягчения последствий экстремальных явлений, которые в настоящее время чрезвычайно опасны». полезно для борьбы с надвигающимися бедствиями».
Проблема, с которой сталкиваются исследователи, когда дело доходит до прогнозирования бедствий, связанных с изменением климата, заключается в том, «не являются ли интересующие нас проблемы слишком сложными», предупреждает Пикеринг. «Даже если мы уменьшим объем данных, необходимых для понимания системы, этот объем [необходимых] данных все равно может оказаться слишком большим для нас. Однако с очень опытными учеными, работающими с такими алгоритмами, как наш, мы сможем соответствующим образом уменьшить сложность и найти действенные решения наших серьезных климатических проблем».
