Neuer Algorithmus erleichtert die Vorhersage chaotischer physikalischer Prozesse – ScienceDaily

Startseite » Neuer Algorithmus erleichtert die Vorhersage chaotischer physikalischer Prozesse – ScienceDaily
Neuer Algorithmus erleichtert die Vorhersage chaotischer physikalischer Prozesse – ScienceDaily

Die Vergangenheit mag ein fester und unveränderlicher Punkt sein, aber mit Hilfe des maschinellen Lernens kann die Zukunft manchmal leichter erraten werden.

Mithilfe einer neuartigen maschinellen Lernmethode namens Next Generation Reservoir Computing haben Forscher der Ohio State University kürzlich einen neuen Weg gefunden, das Verhalten raumzeitlicher chaotischer Systeme – wie Änderungen des Erdwetters – vorherzusagen, die für Wissenschaftler besonders komplex sind Vorhersagen.

Die Studie wurde heute im Fachblatt veröffentlicht Chaos: Eine interdisziplinäre Zeitschrift für nichtlineare Wissenschaftverwendet einen neuen und hocheffizienten Algorithmus, der in Kombination mit Reservoir-Computing der nächsten Generation räumlich-zeitliche chaotische Systeme in einem Bruchteil der Zeit anderer maschineller Lernalgorithmen lernen kann.

Die Forscher testeten ihren Algorithmus an einem komplexen Problem, das in der Vergangenheit viele Male untersucht wurde – der Vorhersage des Verhaltens eines atmosphärischen Wettermodells. Im Vergleich zu herkömmlichen Algorithmen für maschinelles Lernen, die dieselben Aufgaben lösen können, ist der Algorithmus des Ohio State Teams genauer und verwendet 400- bis 1.250-mal weniger Trainingsdaten, um bessere Vorhersagen zu treffen als sein Gegenstück. Ihre Methode ist auch weniger rechenintensiv; Während für die Lösung komplexer Computerprobleme früher ein Supercomputer erforderlich war, verwendeten sie einen Laptop mit Windows 10, um Vorhersagen in etwa einem Bruchteil einer Sekunde zu treffen – etwa 240.000-mal schneller als herkömmliche Algorithmen für maschinelles Lernen.

„Das ist sehr aufregend, da wir glauben, dass es ein wesentlicher Fortschritt in Bezug auf die Effizienz der Datenverarbeitung und die Vorhersagegenauigkeit im Bereich des maschinellen Lernens ist“, sagte Wendson De Sa Barbosa, Hauptautor und Postdoktorand in Physik am Bundesstaat Ohio. Er sagte, dass das Lernen, diese extrem chaotischen Systeme vorherzusagen, eine „große Herausforderung der Physik“ sei und dass ihr Verständnis den Weg zu neuen wissenschaftlichen Entdeckungen und Durchbrüchen ebnen könnte.

„Moderne Algorithmen für maschinelles Lernen eignen sich besonders gut für die Vorhersage dynamischer Systeme, indem sie ihre zugrunde liegenden physikalischen Regeln anhand historischer Daten lernen“, sagte De Sa Barbosa. „Sobald Sie über genügend Daten und Rechenleistung verfügen, können Sie mit maschinellen Lernmodellen Vorhersagen über jedes komplexe System der realen Welt treffen.“ Solche Systeme können jeden physikalischen Prozess umfassen, vom Schwingen des Pendels einer Uhr bis hin zu Unterbrechungen in Stromnetzen.

Sogar Herzzellen zeigen chaotische räumliche Muster, wenn sie mit einer abnormal höheren Frequenz als ein normaler Herzschlag schwingen, sagte De Sa Barbosa. Das bedeutet, dass diese Forschung eines Tages verwendet werden könnte, um einen besseren Einblick in die Kontrolle und Interpretation von Herzkrankheiten sowie in eine Vielzahl anderer „realer“ Probleme zu geben.

„Wenn man die Gleichungen kennt, die genau beschreiben, wie sich diese einzigartigen Prozesse für ein System entwickeln werden, dann könnte sein Verhalten reproduziert und vorhergesagt werden“, sagte er. Einfache Bewegungen, wie die Schwingposition einer Uhr, können leicht vorhergesagt werden, indem nur ihre aktuelle Position und Geschwindigkeit verwendet werden. Noch komplexere Systeme, wie das Wetter der Erde, sind weitaus schwieriger vorherzusehen, da viele Variablen ihr chaotisches Verhalten aktiv diktieren.

Um genaue Vorhersagen des gesamten Systems treffen zu können, müssten die Wissenschaftler genaue Informationen über jede einzelne dieser Variablen und die Modellgleichungen haben, die beschreiben, wie diese vielen Variablen zusammenhängen, was völlig unmöglich ist, sagte De Sa Barbosa. Aber mit ihrem maschinellen Lernalgorithmus konnten die fast 500.000 historischen Trainingsdatenpunkte, die in früheren Arbeiten für das in dieser Studie verwendete atmosphärische Wetterbeispiel verwendet wurden, auf nur 400 reduziert werden, während immer noch die gleiche oder bessere Genauigkeit erreicht wurde.

In Zukunft will De Sa Barbosa seine Forschung vorantreiben, indem er ihren Algorithmus verwendet, um möglicherweise raumzeitliche Simulationen zu beschleunigen, sagte er.

„Wir leben in einer Welt, über die wir noch so wenig wissen, daher ist es wichtig, diese hochdynamischen Systeme zu erkennen und zu lernen, sie effizienter vorherzusagen.“

Der Co-Autor der Studie war Daniel J. Gauthier, Professor für Physik an der Ohio State University. Ihre Arbeit wurde vom Air Force Office of Scientific Research unterstützt.

Geschichte Quelle:

Materialien zur Verfügung gestellt von Ohio State Universität. Ursprünglich geschrieben von Tatjana Woodall. Hinweis: Inhalt kann für Stil und Länge bearbeitet werden.