février 3, 2023

7seizh

Dernières nouvelles et nouvelles du monde de 7 Seizh sur les affaires, les sports et la culture. Nouvelles vidéo. Nouvelles des États-Unis, d'Europe, d'Asie-Pacifique, d'Afrique, du Moyen-Orient, d'Amérique.

L’étude montre comment l’apprentissage automatique peut faire des prédictions

Providence, RI [Brown University] Lorsqu’il s’agit de prédire les catastrophes causées par des événements extrêmes (pensez aux tremblements de terre, aux épidémies ou aux « vagues scélérates » qui peuvent détruire les structures côtières), la modélisation informatique est confrontée à un défi presque insurmontable : statistiquement parlant, de tels événements sont si rares qu’il n’y en a pas assez données pour qu’ils utilisent des modèles prédictifs pour prédire avec précision quand ils se produiront ensuite.

Mais une équipe de chercheurs de l’Université Brown et du MIT affirme que cela ne doit pas nécessairement être le cas.

dans un Nouvelle étude dans un Sciences computationnelles Natureles scientifiques décrivent comment ils ont combiné des algorithmes statistiques – qui ont besoin de moins de données pour faire des prédictions précises et efficaces – avec une puissante technologie d’apprentissage automatique développée chez Brown et les ont formés pour prédire des scénarios, des probabilités et parfois la chronologie d’événements rares même s’ils n’avaient pas dossier historique sur eux.

Ce faisant, l’équipe de recherche a découvert que ce nouveau cadre pourrait fournir un moyen de contourner le besoin d’énormes quantités de données traditionnellement nécessaires pour ces types de calculs, et de réduire à la place le défi important de la prédiction d’événements rares à une question de qualité. . sur la quantité.

« Vous devez réaliser que ce sont des événements aléatoires », a déclaré George Karniadakis, professeur de mathématiques appliquées et d’ingénierie à l’Université Brown et auteur de l’étude. « Une pandémie comme le COVID-19, une catastrophe environnementale dans le golfe du Mexique, un tremblement de terre, un énorme incendie de forêt en Californie, une vague de 30 mètres qui fait chavirer un navire – ce sont des événements rares et parce qu’ils sont rares, nous ne Nous avons beaucoup de données historiques. Nous n’avons pas assez d’échantillons du passé pour prédire l’avenir. La question que nous abordons dans l’article est la suivante : quelles sont les meilleures données possibles que nous pouvons utiliser pour réduire le nombre de points de données nous avons besoin? »

READ  Les impulsions radio cosmiques étudient la matière cachée autour des galaxies

Les chercheurs ont trouvé la réponse dans une technique d’échantillonnage séquentiel appelée apprentissage actif. Ces types d’algorithmes statistiques sont non seulement capables d’analyser les données qui y sont entrées, mais plus important encore, ils peuvent apprendre des informations pour étiqueter de nouveaux points de données pertinents qui sont égaux ou même plus importants pour le résultat calculé. Au niveau le plus élémentaire, ils permettent de faire plus avec moins.

Ceci est essentiel pour le modèle d’apprentissage automatique que les chercheurs ont utilisé dans l’étude. Ce modèle s’appelle DeepOnet, et c’est un type de réseau neuronal artificiel, qui utilise des nœuds interconnectés en couches successives qui imitent grossièrement les connexions établies par les neurones dans le cerveau humain. DeepOnet est connu comme le moteur neuronal profond. Il est plus avancé et plus puissant que les réseaux de neurones artificiels typiques car il s’agit en fait de deux réseaux de neurones en un, traitant les données dans deux réseaux parallèles. Cela lui permet d’analyser d’énormes ensembles de données et de scénarios à une vitesse vertigineuse pour extraire des ensembles de possibilités tout aussi énormes une fois qu’il a appris ce qu’il faut rechercher.

Le goulot d’étranglement avec cet outil puissant, en particulier pour les événements rares, est que les opérateurs nerveux doivent former des tonnes de données pour effectuer des calculs efficaces et précis.

Dans l’article, l’équipe de recherche montre que, combiné à des techniques d’apprentissage actif, un modèle DeepOnet peut être formé sur les paramètres ou les précurseurs à rechercher qui conduisent à l’événement catastrophique que quelqu’un analyse, même lorsqu’il n’y a pas beaucoup de points de données.

READ  Vers un mécanisme de dissociation des liaisons induite par les rayonnements ionisants dans l'oxygène, l'eau et la fragmentation de la guanine et de l'ADN: une simulation de la théorie fonctionnelle de la densité.

« La motivation n’est pas de prendre toutes les données possibles et de les mettre dans le système, mais de rechercher de manière proactive des événements qui indiqueront des événements rares », a déclaré Karniadakis. « Nous n’avons peut-être pas beaucoup d’exemples de l’événement réel, mais nous pouvons avoir ces précurseurs. Grâce aux mathématiques, nous les identifions, ce qui, avec des événements réels, nous aidera à former cet opérateur avide de données. »

Dans l’article, les chercheurs ont appliqué l’approche pour identifier les paramètres et différentes plages de probabilité de surtensions dangereuses pendant une pandémie, pour trouver et prédire les vagues scélérates et pour estimer quand un navire se briserait en deux en raison du stress. Par exemple, avec les ondes scélérates – celles qui sont plus de deux fois plus grandes que les vagues environnantes – les chercheurs ont découvert qu’ils pouvaient détecter et déterminer quand se forment les ondes scélérates en examinant les conditions potentielles des vagues qui interagissent de manière non linéaire au fil du temps, entraînant des vagues qui parfois trois fois sa taille d’origine.

Les chercheurs ont découvert que leur nouvelle méthode est supérieure aux efforts de modélisation traditionnels et ils pensent qu’elle offre un cadre capable de détecter et de prédire efficacement toutes sortes d’événements rares.

Dans l’article, l’équipe de recherche explique comment les scientifiques devraient concevoir de futures expériences afin de réduire les coûts et d’augmenter la précision des prévisions. Karniadakis, par exemple, travaille déjà avec des scientifiques de l’environnement pour utiliser une nouvelle méthode de prévision des événements météorologiques, tels que les ouragans.

READ  Les hippocampes sont de terribles nageurs, mais ce sont de merveilleux prédateurs

L’étude a été dirigée par Ethan Pickering et Themistoklis Sapsis du Massachusetts Institute of Technology. DeepOnet était Il a été introduit en 2019 Par Karniadakis et d’autres chercheurs de Brown. Ils cherchent actuellement à breveter la technologie. L’étude a été soutenue par un financement de la Defense Advanced Research Projects Agency, du Air Force Research Laboratory et de l’Office of Naval Research.


Clause de non-responsabilité: AAAS et EurekAlert ! Pas responsable de l’exactitude des newsletters envoyées sur EurekAlert ! Par le biais d’organisations contributrices ou pour l’utilisation de toute information via le système EurekAlert.