به گفته SF، پیش‌بینی زمان و مقیاس بلایای طبیعی یک هدف اولیه برای دانشمندان است. با این حال، از آنجایی که وقوع آنها از نظر آماری بسیار نادر است، داده های کافی برای پیش بینی دقیق آنها وجود ندارد. اکنون محققان دانشگاه براون و MIT می گویند راه هایی برای پیش بینی این رویدادها با استفاده از هوش مصنوعی وجود دارد.
در یک مطالعه جدید، آنها الگوریتم‌های آماری را که به داده‌های کمتری برای پیش‌بینی دقیق نیاز دارند، با یک ابزار یادگیری ماشینی قدرتمند مبتنی بر هوش مصنوعی ترکیب کردند تا با موفقیت نیاز به تکیه بر داده‌های بیش از حد را دور بزنند.
جورج کارنیاداکیس، نویسنده مطالعه و استاد ریاضیات کاربردی و مهندسی در دانشگاه براون، می‌گوید: باید بدانید که اینها رویدادهای تصادفی هستند. شیوع یک بیماری همه گیر مانند Covid-19، یک فاجعه زیست محیطی در خلیج مکزیک، یک زلزله و آتش سوزی گسترده در کالیفرنیا، و یک موج 30 متری که یک کشتی را واژگون می کند، رویدادهای نادری هستند، و چون نادر هستند، ما یک داده های تاریخی زیادی در دسترس است که ما نداریم. نمونه های کافی از گذشته برای پیش بینی بیشتر در آینده نداریم. سوالی که در این مقاله به آن می پردازیم این است: بهترین داده ممکنی که می توانیم برای به حداقل رساندن حجم داده های مورد نیاز خود استفاده کنیم چیست؟
محققان این مطالعه دریافتند که استفاده از یادگیری فعال (روش نمونه گیری متوالی) راه حل این مشکل است. این الگوریتم‌ها می‌توانند داده‌های ورودی را تجزیه و تحلیل کنند و همچنین از آنچه ارائه می‌شود یاد بگیرند تا نقاط داده جدیدی را که اهمیت برابر یا بیشتر از داده‌های گذشته دارند، پرچم‌گذاری کنند. به عبارت دیگر، با اطلاعات کمتر 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.
شبکه‌های عصبی مصنوعی (ANN) یا به عبارت ساده‌تر شبکه‌های عصبی، سیستم‌ها و روش‌های محاسباتی مدرن برای یادگیری ماشین، نمایش دانش و در نهایت استفاده از دانش کسب‌شده برای پیش‌بینی پاسخ‌های خروجی سیستم‌های پیچیده هستند. ایده اصلی چنین شبکه هایی تا حدودی الهام گرفته از روشی است که سیستم عصبی بیولوژیکی برای پردازش داده ها و اطلاعات برای یادگیری و ایجاد دانش کار می کند.
این سیستم چگونه رویدادهای آینده را پیش بینی می کند؟
دو شبکه عصبی این ابزار را در یک شبکه اجرا می‌کنند و آن را به یک منبع فوق‌العاده قدرتمند تبدیل می‌کنند که می‌تواند داده‌ها را در هر دو شبکه پردازش کند. در نهایت، این امکان را فراهم می کند که حجم زیادی از داده ها به سرعت تجزیه و تحلیل شوند. در این کار، محققان توانستند نشان دهند که DeepOnet، همراه با تکنیک‌های یادگیری فعال، می‌تواند به طور دقیق شاخص‌های یک رویداد فاجعه‌بار را بدون حجم زیادی از داده‌های موجود پیش‌بینی کند.
کارنیاداکیس افزود: “هدف این نیست که همه داده های ممکن را برداریم و در سیستم قرار دهیم، بلکه به دنبال رویدادهایی باشیم که دارای امضای رویدادهای نادر هستند.” ممکن است ما نمونه های زیادی از رویداد واقعی نداشته باشیم، اما ممکن است آن را داشته باشیم. داده های خام ما آنها را از طریق ریاضیات شناسایی می کنیم.
محققان حتی دریافتند که روش آنها می تواند بهتر از مدل های معمولی عمل کند، که نشان می دهد چارچوب آنها ممکن است تجربه موثرتری در پیش بینی رویدادهای طبیعی نادر داشته باشد.
نتایج این مطالعه در مجله Nature Computational Science منتشر شده است.