به گفته محققان دانشگاه براون و MIT، دانشمندان می توانند از ترکیبی از یادگیری ماشینی پیشرفته و تکنیک های نمونه برداری متوالی داده برای پیش بینی بلایای طبیعی استفاده کنند.
به گزارش تکناک، وقتی نوبت به پیش‌بینی بلایای طبیعی می‌رسد ، مدل‌سازی محاسباتی با یک چالش تقریباً غیرقابل حل مواجه است: از نظر آماری، این رویدادها به قدری نادر هستند که داده های کافی برای استفاده از مدل های پیش بینی هوش مصنوعی برای پیش بینی دقیق زمان بعدی آنها وجود ندارد.
با این حال، گروهی از دانشمندان دانشگاه براون و موسسه فناوری ماساچوست پیشنهاد می‌کنند که لازم نیست اینطور باشد. در مطالعه‌ای محققان توضیح می‌دهند که چگونه از الگوریتم‌های آماری که به داده‌های کمتری برای پیش‌بینی‌های دقیق نیاز دارند، در ترکیب با تکنیک یادگیری ماشینی قدرتمند که در دانشگاه براون توسعه یافته است، برای پیش بینی بلایای طبیعی استفاده کردند. این ترکیب به آنها اجازه داد تا سناریوها، احتمالات و حتی جدول زمانی رویدادهای نادر را با وجود کمبود داده های تاریخی پیش بینی کنند.
با انجام این کار، تیم تحقیقاتی دریافت که این چارچوب جدید می‌تواند راهی برای دور زدن مشکل نیاز به مقادیر عظیم داده‌ای که به طور سنتی برای این نوع محاسبات مورد نیاز است، فراهم کند.
جورج کارنیاداکیس، استاد ریاضیات کاربردی و مهندسی در براون و نویسنده مطالعه، گفت: باید متوجه باشید که اینها رویدادهای تصادفی هستند. طغیان یک بیماری همه گیر مانند COVID-19، فاجعه زیست محیطی در خلیج مکزیک، یک زلزله، آتش سوزی های عظیم در کالیفرنیا، یک موج 30 متری که یک کشتی را واژگون می کند . اینها رویدادهای نادری هستند و چون نادر هستند، ما داده های زیادی از گذشته آنها نداریم.
ما نمونه های کافی از گذشته برای پیش بینی بیشتر آنها در آینده نداریم. سوالی که در این مقاله به آن می پردازیم این است که بهترین داده ممکن که می توانیم برای به حداقل رساندن تعداد نقاط داده مورد نیاز خود استفاده کنیم، چیست؟
محققان پاسخ را در روش نمونه گیری متوالی به نام یادگیری فعال یافتند. این نوع الگوریتم‌های آماری نه تنها قادر به تجزیه و تحلیل داده‌های ورودی در آنها هستند، بلکه مهم‌تر از آن، می‌توانند از اطلاعات یاد بگیرند تا نقاط داده مرتبط جدیدی را که به همان اندازه یا حتی برای نتیجه‌ای که محاسبه می‌شود اهمیت دارند، برچسب‌گذاری کنند. در ابتدایی ترین سطح، آنها اجازه می دهند کارهای بیشتری با داده کمتر انجام شود.
این روش برای مدل یادگیری ماشینی که محققان در این مطالعه استفاده کردند بسیار مهم است. این مدل که DeepOnet نام دارد، نوعی شبکه عصبی مصنوعی است که از گره های به هم پیوسته در لایه های متوالی استفاده می کند که تقریباً اتصالات ایجاد شده توسط نورون ها در مغز انسان را تقلید می کند. DeepOnet به عنوان یک عملگر عصبی عمیق شناخته می شود.
این شبکه از شبکه های عصبی مصنوعی معمولی پیشرفته تر و قدرتمندتر است زیرا در واقع دو شبکه عصبی در یک شبکه است و داده ها را در دو شبکه موازی پردازش می کندو به شبکه عصبی DeepOnet اجازه می‌دهد تا مجموعه‌های عظیمی از داده‌ها و سناریوها را با سرعتی سرسام‌آور تجزیه و تحلیل کند و به محض اینکه بفهمد به دنبال چه چیزی است، مجموعه‌های عظیمی از احتمالات نامربوط را حذف می کند.
گلوگاه این ابزار قدرتمند، به خصوص در رابطه با رویدادهای نادر، این است که اپراتورهای عصبی عمیق برای انجام محاسبات مؤثر و دقیق به هزاران داده نیاز دارند تا آموزش ببینند.
در مقاله، تیم تحقیقاتی نشان می‌دهد که همراه با تکنیک‌های یادگیری فعال، مدل DeepOnet می تواند در مورد اینکه چه پارامترها یا پیش فرض هایی را باید جستجو کرد که منجر به رویدادهای فاجعه باری می شود آموزش ببیند، حتی زمانی که نقاط داده زیادی وجود ندارد.
محققان دریافتند روش جدید آنها بهتر از تلاش‌های مدل‌سازی سنتی عمل می‌کند و معتقدند چارچوبی را ارائه می‌دهد که می‌تواند به طور موثر انواع رویدادهای نادر را کشف و پیش‌بینی کند..
در این مقاله، تیم تحقیقاتی چگونگی طراحی آزمایش‌های آینده توسط دانشمندان را مشخص می‌کند تا بتوانند هزینه‌ها را به حداقل برسانند و دقت پیش‌بینی را افزایش دهند. به عنوان مثال، کارنیاداکیس در حال حاضر با دانشمندان محیط زیست کار می کند تا از روش جدید برای پیش بینی رویدادهای آب و هوایی مانند طوفان ها استفاده کند.
