به گزارش ایسنا، پیش بینی زمان و بزرگی بلایای طبیعی برای دانشمندان یک هدف اساسی است. با این حال، از آنجایی که رخداد آن ها از نظر آماری بسیار نادر است، داده های کافی برای پیش بینی دقیق آنها وجود ندارد. اکنون، پژوهشگران دانشگاه براون و مؤسسه فن آوری ماساچوست می گویند راه هایی برای پیش بینی این رخدادها با کمک هوش مصنوعی وجود دارد.
در یک مطالعه جدید، آنها الگوریتم های آماری را که به داده های کمتری برای پیش بینی دقیق نیاز دارند با یک ابزار یادگیری ماشینی مبتنی بر هوش مصنوعی قدرتمند ترکیب کردند تا با موفقیت از نیاز به تکیه بر داده های بیش از حد چشم پوشی کنند.
" جورج کارنیاداکیس"( George Karniadakis) نویسنده این مطالعه و استاد ریاضیات کاربردی و مهندسی در دانشگاه براون گفت:باید متوجه باشید که اینها رویدادهای تصادفی هستند. شیوع یک بیماری همه گیر مانند کووید- ۱۹، فاجعه زیست محیطی در خلیج مکزیک، یک زلزله و آتش سوزی های عظیم در کالیفرنیا و یک موج ۳۰ متری که یک کشتی را واژگون می کند اینها رویدادهای نادری هستند و چون نادر هستند، ما داده های تاریخی زیادی در دسترس نداریم. ما نمونه های کافی از گذشته برای پیش بینی بیشتر آنها در آینده نداریم. سوالی که در این مقاله به آن می پردازیم این است:بهترین داده ممکن که می توانیم از آن برای به حداقل رساندن تعداد داده مورد نیاز خود استفاده کنیم چه چیزهایی هستند؟
پژوهشگران این مطالعه دریافتند که استفاده از یادگیری فعال( روش نمونه گیری متوالی) راه حل این مسئله است. این الگوریتم ها میتوانند داده های ورودی را تجزیه و تحلیل کنند و همچنین از آنچه ارائه شده است برای برچسب گذاری نقاط داده جدید که اهمیت برابر یا بیشتر از داده های گذشته دارند، بیاموزند. به عبارت دیگر، با حداقل اطلاعات می توان کارهای بیشتری انجام داد. مدل یادگیری ماشینی که آنها استفاده کردند DeepOnet نام دارد. DeepOnet نوعی شبکه عصبی مصنوعی است که از گره های به هم پیوسته و لایه ای استفاده می کند که می تواند اتصالات عصبی مغز انسان را تقلید کند.
شبکه های عصبی مصنوعی( Artificial Neural Networks- ANN) یا به زبان ساده تر شبکه های عصبی سیستم ها و روش های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش بینی پاسخ های خروجی از سامانه های پیچیده هستند. ایده اصلی این گونه شبکه ها تا حدودی الهام گرفته از شیوه کارکرد سیستم عصبی زیستی برای پردازش داده ها و اطلاعات به منظور یادگیری و ایجاد دانش می باشد.
این سیستم چگونه رویدادهای آینده را پیش بینی می کند؟
دو شبکه عصبی با این ابزار در یک شبکه کار می کنند و این امر آن را به یک منبع فوق العاده قدرتمند تبدیل می کند که میتواند داده ها را در هر دو شبکه پردازش کند. در نهایت ، این امر اجازه می دهد تا مقادیر زیادی از داده ها به سرعت تجزیه و تحلیل شوند. در این کار، محققان توانستند نشان دهند که DeepOnet، همراه با تکنیک های یادگیری فعال، می تواند به دقت شاخص های یک رویداد فاجعه بار را بدون تعداد زیادی داده در دسترس پیش بینی کند.
کارنیاداکیس افزود:هدف این نیست که همه داده های ممکن را بگیریم و آن ها را در سیستم قرار دهیم، بلکه باید به دنبال رویدادهایی باشیم که نشانه ای از رویدادهای نادر داشته باشند. ما ممکن است نمونه های زیادی از رویداد واقعی نداشته باشیم، اما ممکن است آن داده های اولیه را داشته باشیم. ما از طریق ریاضیات، آنها را شناسایی می کنیم.
محققان حتی دریافتند که روش آنها میتواند از مدل های معمولی بهتر عمل کند و اظهار کردند که چارچوب آنها ممکن است سابقه ای برای پیش بینی کارآمدتر رویدادهای طبیعی نادر داشته باشد.
یافته های این مطالعه در مجله" Nature Computational Science" منتشر شده است.
- 19
- 4
