Ottimizzazione dei parametri di cresta per i risultati mostrati nelle Figg. 5, 6 e 8. Orizzonte di previsione medio in funzione del parametro di colmo 𝛼α per diversi tempi di allenamento (vedi codice colore legenda) per il sistema Lorenz96 con 𝐿=36,𝐽=𝐼=10L=36,J=I=10 [(a)–(c)], 𝐿=𝐽=𝐼=8L=J=I=8 [(d)–(f)] e 𝐿=40,𝐽=𝐼=0L=40,J=I =0 [(g)–(i)]. Per ogni caso, vengono presentate le ottimizzazioni per un singolo NG-RC, 𝐿L NG-RC indipendenti e 𝐿L NG-RC che utilizzano la simmetria traslazionale. L'area colorata attorno alle curve rappresenta la deviazione standard della media. Credito:Caos:un giornale interdisciplinare di scienza non lineare (2022). DOI:10.1063/5.0098707
Il passato può essere un punto fisso e immutabile, ma con l'aiuto dell'apprendimento automatico, a volte è più facile indovinare il futuro.
Utilizzando un nuovo tipo di metodo di apprendimento automatico chiamato "Next Generation reservoir computing", i ricercatori dell'Ohio State University hanno recentemente trovato un nuovo modo per prevedere il comportamento dei sistemi caotici spaziotemporali, come i cambiamenti del tempo sulla Terra, particolarmente complessi da prevedere per gli scienziati .
Lo studio, pubblicato oggi sulla rivista Chaos:An Interdisciplinary Journal of Nonlinear Science , utilizza un algoritmo nuovo e altamente efficiente che, se combinato con il reservoir computing di prossima generazione, può apprendere sistemi caotici spaziotemporali in una frazione del tempo rispetto ad altri algoritmi di apprendimento automatico.
I ricercatori hanno testato il loro algoritmo su un problema complesso che è stato studiato molte volte in passato, prevedendo il comportamento di un modello meteorologico atmosferico. Rispetto ai tradizionali algoritmi di apprendimento automatico in grado di risolvere gli stessi compiti, l'algoritmo del team dell'Ohio State è più accurato e utilizza da 400 a 1.250 volte meno dati di addestramento per fare previsioni migliori rispetto alla sua controparte.
Il loro metodo è anche meno costoso dal punto di vista computazionale; pur risolvendo complessi problemi informatici che in precedenza richiedevano un supercomputer, hanno utilizzato un laptop con Windows 10 per fare previsioni in circa una frazione di secondo, circa 240.000 volte più velocemente rispetto ai tradizionali algoritmi di apprendimento automatico.
"Questo è molto eccitante, poiché riteniamo che sia un progresso sostanziale in termini di efficienza dell'elaborazione dei dati e accuratezza delle previsioni nel campo dell'apprendimento automatico", ha affermato Wendson De Sa Barbosa, autore principale e ricercatore post-dottorato in fisica presso l'Ohio State. Ha affermato che imparare a prevedere questi sistemi estremamente caotici è una "grande sfida della fisica" e comprenderli potrebbe aprire la strada a nuove scoperte scientifiche e scoperte.
"I moderni algoritmi di apprendimento automatico sono particolarmente adatti per prevedere i sistemi dinamici apprendendo le loro regole fisiche sottostanti utilizzando dati storici", ha affermato De Sa Barbosa. "Una volta che hai abbastanza dati e potenza di calcolo, puoi fare previsioni con modelli di apprendimento automatico su qualsiasi sistema complesso del mondo reale". Tali sistemi possono includere qualsiasi processo fisico, dal movimento del pendolo di un orologio alle interruzioni nelle reti elettriche.
Anche le cellule cardiache mostrano schemi spaziali caotici quando oscillano a una frequenza anormalmente più alta di un normale battito cardiaco, ha affermato De Sa Barbosa. Ciò significa che questa ricerca potrebbe un giorno essere utilizzata per fornire una migliore comprensione del controllo e dell'interpretazione delle malattie cardiache, nonché una serie di altri problemi del "mondo reale".
"Se si conoscono le equazioni che descrivono accuratamente come si evolveranno questi processi unici per un sistema, il suo comportamento potrebbe essere riprodotto e previsto", ha affermato. Movimenti semplici, come la posizione di oscillazione di un orologio, possono essere previsti facilmente utilizzando solo la posizione e la velocità correnti. Tuttavia, i sistemi più complessi, come il tempo della Terra, sono molto più difficili da prevedere a causa di quante variabili determinano attivamente il suo comportamento caotico.
Per fare previsioni precise dell'intero sistema, gli scienziati dovrebbero avere informazioni accurate su ognuna di queste variabili e le equazioni del modello che descrivono come queste molte variabili sono correlate, il che è del tutto impossibile, ha affermato De Sa Barbosa. Ma con il loro algoritmo di apprendimento automatico, i quasi 500.000 punti dati di addestramento storici utilizzati nei lavori precedenti per l'esempio meteorologico atmosferico utilizzato in questo studio potrebbero essere ridotti a soli 400, pur ottenendo la stessa o migliore precisione.
Andando avanti, De Sa Barbosa mira a promuovere la sua ricerca utilizzando il loro algoritmo per accelerare eventualmente le simulazioni spaziotemporali, ha affermato.
"Viviamo in un mondo di cui sappiamo ancora così poco, quindi è importante riconoscere questi sistemi ad alta dinamica e imparare a prevederli in modo più efficiente". + Esplora ulteriormente
