Используя новый тип метода машинного обучения под названием "резервуарные вычисления следующего поколения", исследователи из Университета штата Огайо недавно нашли новый способ предсказать поведение пространственно-временных хаотических систем, таких как изменения погоды на Земле, которые особенно сложны для прогнозирования учеными.

Исследование, опубликованное сегодня в журнале Хаос: Междисциплинарный журнал нелинейной науки, использует новый и высокоэффективный алгоритм, который в сочетании с резервуарными вычислениями следующего поколения позволяет изучать пространственно-временные хаотические системы за долю времени, затрачиваемого другими алгоритмами машинного обучения.

Исследователи протестировали свой алгоритм на сложной задаче, которая много раз изучалась в прошлом, - прогнозировании поведения атмосферной модели погоды. По сравнению с традиционными алгоритмами машинного обучения, которые могут решать те же задачи, алгоритм команды штата Огайо более точен и использует в 400-1250 раз меньше обучающих данных для получения лучших прогнозов, чем его аналог. Их метод также менее затратен в вычислительном отношении; в то время как для решения сложных вычислительных задач ранее требовался суперкомпьютер, они использовали ноутбук под управлением Windows 10, чтобы делать прогнозы примерно за доли секунды - примерно в 240 000 раз быстрее, чем традиционные алгоритмы машинного обучения.

"Это очень интересно, поскольку мы считаем, что это существенный прогресс с точки зрения эффективности обработки данных и точности прогнозирования в области машинного обучения", - сказал Вендсон Де Са Барбоза, ведущий автор и постдокторский исследователь по физике в штате Огайо. Он сказал, что научиться предсказывать эти чрезвычайно хаотичные системы - это "грандиозная задача физики", и их понимание может проложить путь к новым научным открытиям и прорывам.

"Современные алгоритмы машинного обучения особенно хорошо подходят для прогнозирования динамических систем путем изучения лежащих в их основе физических правил с использованием исторических данных", - сказал Де Са Барбоза. "Как только у вас будет достаточно данных и вычислительной мощности, вы сможете делать прогнозы с помощью моделей машинного обучения о любой реальной сложной системе". Такие системы могут включать в себя любой физический процесс, от качания маятника часов до сбоев в электросетях.

Даже клетки сердца демонстрируют хаотические пространственные паттерны, когда они колеблются с ненормально более высокой частотой, чем при нормальном сердцебиении, сказал Де Са Барбоза. Это означает, что однажды это исследование может быть использовано для лучшего понимания контроля и интерпретации сердечных заболеваний, а также множества других "реальных" проблем.

"Если знать уравнения, которые точно описывают, как будут развиваться эти уникальные процессы для системы, то ее поведение можно воспроизвести и предсказать", - сказал он. Простые движения, такие как положение поворота часов, можно легко предсказать, используя только их текущее положение и скорость. Однако более сложные системы, такие как погода на Земле, гораздо труднее предвидеть из-за того, как много переменных активно диктуют ее хаотическое поведение.

Чтобы делать точные прогнозы всей системы, ученые должны были бы располагать точной информацией о каждой из этих переменных и модельными уравнениями, которые описывают, как связаны эти многочисленные переменные, что совершенно невозможно, сказал Де Са Барбоза. Но с их алгоритмом машинного обучения почти 500 000 точек исторических обучающих данных, использованных в предыдущих работах для примера атмосферной погоды, используемого в этом исследовании, могут быть сокращены всего до 400, при этом все еще достигается та же или лучшая точность.

По его словам, в дальнейшем Де Са Барбоза намерен продолжить свои исследования, используя их алгоритм, чтобы, возможно, ускорить пространственно-временное моделирование.

"Мы живем в мире, о котором мы все еще так мало знаем, поэтому важно распознать эти высокодинамичные системы и научиться более эффективно их прогнозировать".

Соавтором исследования был Дэниел Дж. Готье, профессор физики в штате Огайо. Их работа была поддержана Управлением научных исследований ВВС.