Gli scienziati usano l’apprendimento automatico per scrutare nel futuro

Concetto di fenomeni di inversione temporale

I ricercatori utilizzano un metodo avanzato di apprendimento automatico noto come reservoir computing di prossima generazione.

I processi fisici caotici ora sono più facili da prevedere grazie a un nuovo algoritmo.

Mentre il passato può essere un punto fisso e immutabile, l’apprendimento automatico a volte può rendere più facile la previsione del futuro.

I ricercatori dell’Ohio State University hanno recentemente scoperto un nuovo modo per prevedere il comportamento dei sistemi caotici spaziotemporali, come i cambiamenti del tempo sulla Terra, che sono particolarmente difficili da prevedere per gli scienziati utilizzando un nuovo tipo di tecnica di apprendimento automatico chiamata calcolo del serbatoio di prossima generazione.

La ricerca, recentemente pubblicata sulla rivista Caos: un giornale interdisciplinare di scienza non lineareutilizza un nuovissimo algoritmo altamente efficiente che, se combinato con il reservoir computing di prossima generazione, può apprendere sistemi caotici spaziotemporali in una frazione del tempo richiesto dai tradizionali algoritmi di apprendimento automatico.

I ricercatori hanno messo alla prova il loro metodo prevedendo il comportamento di un modello meteorologico atmosferico, un problema impegnativo che è stato ampiamente studiato in passato. L’algoritmo del team dell’Ohio State è più accurato e richiede da 400 a 1.250 volte meno dati di addestramento per generare previsioni migliori rispetto ai suoi tradizionali algoritmi di apprendimento automatico rivali che possono svolgere le stesse attività. Hanno utilizzato un laptop con Windows 10 per fare previsioni in una frazione di secondo, che è circa 240.000 volte più veloce degli algoritmi di machine learning convenzionali. Il loro metodo è anche meno costoso dal punto di vista computazionale; mentre la risoluzione di complessi problemi informatici in precedenza richiedeva un supercomputer.

“Questo è molto eccitante, poiché riteniamo che sia un progresso sostanziale in termini di efficienza e previsione dell’elaborazione dei dati[{” attribute=””>accuracy in the field of machine learning,” said Wendson De Sa Barbosa, lead author and a postdoctoral researcher in physics at Ohio State. He said that learning to predict these extremely chaotic systems is a “physics grand challenge,” and understanding them could pave the way to new scientific discoveries and breakthroughs.

“Modern machine learning algorithms are especially well-suited for predicting dynamical systems by learning their underlying physical rules using historical data,” said De Sa Barbosa. “Once you have enough data and computational power, you can make predictions with machine learning models about any real-world complex system.” Such systems can include any physical process, from the bob of a clock’s pendulum to disruptions in power grids.

Even heart cells display chaotic spatial patterns when they oscillate at an abnormally higher frequency than a normal heartbeat, said De Sa Barbosa. That means this research could one day be used to provide better insight into controlling and interpreting heart disease, as well as a bevy of other “real-world” problems.

“If one knows the equations that accurately describe how these unique processes for a system will evolve, then its behavior could be reproduced and predicted,” he said. Simple movements, like the swing position of a clock, can be predicted easily using only its current position and velocity. Yet more complex systems, like Earth’s weather, are far more difficult to foresee due to how many variables actively dictate its chaotic behavior.

To make precise predictions of the entire system, scientists would have to have accurate information about every single one of these variables, and the model equations that describe how these many variables are related, which is altogether impossible, said De Sa Barbosa. But with their machine learning algorithm, the almost 500,000 historical training data points used in previous works for the atmospheric weather example used in this study could be reduced to only 400, while still achieving the same or better accuracy.

Going forward, De Sa Barbosa aims to further his research by using their algorithm to possibly speed up spatiotemporal simulations, he said.

“We live in a world that we still know so little about, so it’s important to recognize these high-dynamical systems and learn how to more efficiently predict them.”

Reference: “Learning spatiotemporal chaos using next-generation reservoir computing” by Wendson A. S. Barbosa and Daniel J. Gauthier, 26 September 2022, Chaos: An Interdisciplinary Journal of Nonlinear Science.
DOI: 10.1063/5.0098707

The study was funded by the Air Force Office of Scientific Research.

Leave a Comment

Your email address will not be published. Required fields are marked *