Se un gas velenoso fosse stato rilasciato in un attacco di bioterrorismo, la capacità di prevedere il percorso delle sue molecole, attraverso venti turbolenti, sbalzi di temperatura e galleggiamento instabile:potrebbero significare la vita o la morte. Capire come una città crescerà e cambierà in un periodo di 20 anni potrebbe portare a una pianificazione più sostenibile e ad alloggi a prezzi accessibili.

Derivare equazioni per risolvere tali problemi, sommando tutte le forze rilevanti, è, nella migliore delle ipotesi, difficile al punto da essere quasi impossibile e, al peggio, effettivamente impossibile. Ma l'apprendimento automatico può aiutare.

Usando il movimento delle particelle di aerosol attraverso un sistema in flusso, i ricercatori della McKelvey School of Engineering della Washington University di St. Louis hanno ideato un nuovo modello, basato su un metodo di apprendimento profondo, che possono aiutare i ricercatori a prevedere il comportamento dei sistemi caotici, se questi sistemi sono in laboratorio, al pascolo o altrove.

"Questa è la bellezza degli aerosol, " disse Rajan Chakrabarty, assistente professore di energia, ingegneria ambientale e chimica. "È al di là di una disciplina, sono solo particelle fondamentali che fluttuano nell'aria e tu osservi semplicemente il caos."

La ricerca è stata pubblicata come articolo di copertina nel Journal of Aerosol Science .

Chakrabarty e il suo team, il ricercatore post-dottorato Pai Liu e Jingwei Gan, poi un dottorato di ricerca candidato all'Illinois Institute of Technology, ha testato due metodi di deep learning e ha stabilito che la rete generativa dell'avversario produceva i risultati più accurati. Questo tipo di intelligenza artificiale viene prima alimentato con informazioni su un processo del mondo reale, poi, sulla base di quei dati, crea una simulazione di quel processo.

Motivato dalla teoria dei giochi, una rete generativa avversaria riceve sia la verità fondamentale (reale) che i dati generati casualmente (falso) e cerca di determinare quale sia reale e quale falso.

Questo processo si ripete molte volte, fornire feedback, e il sistema nel suo insieme migliora continuamente nel generare corrispondenze di dati su cui è stato addestrato.

È computazionalmente costoso descrivere il movimento caotico di una particella di aerosol attraverso un sistema turbolento, quindi Chakrabarty e il suo team avevano bisogno di dati reali, un esempio reale, per addestrare il proprio sistema. È qui che sono entrati gli aerosol.

Il team ha utilizzato la fiamma opposta al galleggiamento nel laboratorio Chakrabarty per creare esempi su cui addestrare l'intelligenza artificiale. "In questo caso, abbiamo aggiunto sperimentalmente il caos a un sistema introducendo galleggiabilità e differenze di temperatura, " disse Chakrabarty. Poi, hanno acceso una telecamera ad alta velocità e registrato set di dati di traiettorie 3D per le particelle di fuliggine mentre vagavano attraverso, zippato e sparato attraverso la fiamma.

Hanno addestrato due tipi di modelli di intelligenza artificiale con i dati della camera antincendio:il metodo dell'autoencoder variazionale e una rete generativa avversaria (GAN). Ogni modello ha quindi prodotto la propria simulazione. Solo le traiettorie del GAN ​​rispecchiavano i tratti statistici trovati negli esperimenti, producendo simulazioni realistiche di particelle di aerosol caotiche.

Il modello di apprendimento profondo di Chakrabarty può fare di più che simulare dove la fuliggine, o prodotti chimici, finirà una volta rilasciato nell'atmosfera. "Vedi molti esempi di questo tipo di caos, da animali in cerca di cibo, al trasporto di inquinanti atmosferici e biominacce, per strategie di ricerca e soccorso, " Egli ha detto.

Infatti, il laboratorio sta ora lavorando con uno psichiatra che esamina l'efficacia del trattamento nei bambini con sindrome da tic. "I tic sono caotici, "Ha spiegato Chakrabarty, quindi la configurazione tipica della sperimentazione clinica potrebbe non essere efficace nel determinare l'efficacia di un farmaco.

L'ampia applicazione di questo nuovo modello di deep learning parla non solo del potere dell'intelligenza artificiale, ma può anche dire qualcosa di più saliente sulla realtà.

"Caos, o ordine, dipende dall'occhio di chi guarda, " ha detto. "Quello che questo ti dice è che ci sono alcune leggi che governano tutto ciò che ci circonda. Ma sono nascosti.

"Devi solo scoprirli."