بروزرسانی: 27 خرداد 1404
الگوریتم جدید پیش بینی فرآیندهای فیزیکی آشفته را آسان تر می کند - ScienceDaily
او گفت که در ادامه، De Sa Barbosa قصد دارد تحقیقات خود را با استفاده از الگوریتم آنها برای سرعت بخشیدن به شبیه سازی های مکانی-زمانی بیشتر کند.
Wendson De Sa Barbosa، نویسنده اصلی و محقق فوق دکتری فیزیک در ایالت اوهایو گفت: "این بسیار هیجان انگیز است، زیرا ما معتقدیم که پیشرفت قابل توجهی از نظر کارایی پردازش داده ها و دقت پیش بینی در زمینه یادگیری ماشینی است." او گفت که یادگیری پیش بینی این سیستم های به شدت آشفته یک «چالش بزرگ فیزیک» است و درک آن ها می تواند راه را برای اکتشافات و پیشرفت های علمی جدید هموار کند.
محققان دانشگاه ایالتی اوهایو با استفاده از نوع جدیدی از روش یادگیری ماشینی به نام محاسبات مخزن نسل بعدی، اخیراً راهی جدید برای پیش بینی رفتار سیستم های آشفته مکانی - زمانی - مانند تغییرات آب و هوای زمین - پیدا کرده اند که برای دانشمندان بسیار پیچیده است. برای پیش بینی
محققان الگوریتم خود را روی یک مسئله پیچیده که در گذشته بارها مورد مطالعه قرار گرفته است - پیش بینی رفتار یک مدل آب و هوای جوی آزمایش کردند. در مقایسه با الگوریتم های یادگیری ماشینی سنتی که می توانند وظایف یکسانی را حل کنند، الگوریتم تیم ایالت اوهایو دقیق تر است و از داده های آموزشی 400 تا 1250 برابر کمتر برای پیش بینی بهتر از همتای خود استفاده می کند. روش آنها همچنین از نظر محاسباتی هزینه کمتری دارد. در حالی که حل مسائل پیچیده محاسباتی قبلاً به یک ابر رایانه نیاز داشت، آنها از یک لپ تاپ با ویندوز 10 برای پیش بینی در کسری از ثانیه استفاده کردند - تقریباً 240000 برابر سریع تر از الگوریتم های یادگیری ماشین سنتی.
د سا باربوسا گفت، حتی سلول های قلب نیز زمانی که با فرکانس غیرعادی بالاتر از ضربان قلب عادی نوسان می کنند، الگوهای فضایی آشفته را نشان می دهند. این بدان معناست که این تحقیق روزی می تواند برای ارائه بینش بهتر در مورد کنترل و تفسیر بیماری قلبی و همچنین مجموعه ای از دیگر مشکلات «دنیای واقعی» استفاده شود.
منبع داستان:
De Sa Barbosa می گوید: «الگوریتم های یادگیری ماشین مدرن به ویژه برای پیش بینی سیستم های دینامیکی با یادگیری قوانین فیزیکی زیربنایی آن ها با استفاده از داده های تاریخی مناسب هستند. هنگامی که داده ها و قدرت محاسباتی کافی دارید، می توانید با مدل های یادگیری ماشینی در مورد هر سیستم پیچیده دنیای واقعی پیش بینی کنید. چنین سیستم هایی می توانند شامل هر فرآیند فیزیکی، از باب آونگ ساعت تا اختلال در شبکه های برق باشند.
او گفت: "اگر کسی معادلاتی را بداند که به طور دقیق چگونگی تکامل این فرآیندهای منحصر به فرد برای یک سیستم را توصیف می کند، می توان رفتار آن را بازتولید و پیش بینی کرد." حرکات ساده مانند موقعیت نوسان ساعت را می توان به راحتی با استفاده از موقعیت و سرعت فعلی آن پیش بینی کرد. با این حال، سیستم های پیچیده تر، مانند آب وهوای زمین، به دلیل تعداد متغیرهایی که به طور فعال رفتار آشفته آن را دیکته می کنند، بسیار دشوارتر است.
این مطالعه که امروز در مجله منتشر شد آشوب: مجله بین رشته ای علوم غیرخطی، از یک الگوریتم جدید و بسیار کارآمد استفاده می کند که وقتی با محاسبات مخزن نسل بعدی ترکیب می شود، می تواند سیستم های آشوب مکانی و زمانی را در کسری از زمان دیگر الگوریتم های یادگیری ماشین یاد بگیرد.
مواد تهیه شده توسط دانشگاه ایالتی اوهایو. نوشته اصلی توسط تاتیانا وودال. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع