كيف يمكن للتعلم الآلي أن يتنبأ بالكوارث النادرة – مثل الزلازل أو الأوبئة
طور فريق من الباحثين إطار عمل جديدًا يستخدم التعلم الآلي المتقدم والخوارزميات الإحصائية للتنبؤ بالأحداث النادرة دون الحاجة إلى مجموعات بيانات كبيرة.
يمكن للعلماء استخدام مزيج من التعلم الآلي المتقدم وتقنيات أخذ العينات المتسلسلة للتنبؤ بالأحداث المتطرفة دون الحاجة إلى مجموعات بيانات كبيرة، وفقًا لباحثين من براون ومعهد ماساتشوستس للتكنولوجيا.
عندما يتعلق الأمر بالتنبؤ بالكوارث التي تسببها الأحداث المتطرفة (فكر في الزلازل أو الأوبئة أو “الموجات المارقة” التي يمكن أن تدمر الهياكل الساحلية)، فإن النمذجة الحسابية تواجه تحديًا لا يمكن التغلب عليه تقريبًا:
من الناحية الإحصائية، فإن هذه الأحداث نادرة جدًا بحيث لا يوجد ما يكفي البيانات الخاصة بهم لاستخدام النماذج التنبؤية للتنبؤ بدقة بموعد حدوثها بعد ذلك.
ومع ذلك، تشير مجموعة من العلماء من جامعة براون ومعهد ماساتشوستس للتكنولوجيا إلى أنه لا يجب أن يكون الأمر كذلك.
في دراسة نُشرت في Nature Computational Science ، شرح الباحثون كيف استخدموا الخوارزميات الإحصائية التي تتطلب بيانات أقل للتنبؤات الدقيقة، إلى جانب تقنية التعلم الآلي القوية التي تم تطويرها في جامعة براون.
سمح لهم هذا المزيج بالتنبؤ بالسيناريوهات والاحتمالات وحتى الجداول الزمنية للأحداث النادرة على الرغم من نقص البيانات التاريخية.
عند القيام بذلك، وجد فريق البحث أن هذا الإطار الجديد يمكن أن يوفر طريقة للالتفاف على الحاجة إلى كميات هائلة من البيانات اللازمة تقليديًا لهذه الأنواع من الحسابات، وبدلاً من ذلك، يتم تقليل التحدي الكبير المتمثل في التنبؤ بالأحداث النادرة إلى مسألة الجودة. على الكمية.
قال جورج كارنياداكيس ، أستاذ الرياضيات التطبيقية والهندسة في جامعة براون ومؤلف الدراسة: “عليك أن تدرك أن هذه أحداث عشوائية”.
“اندلاع وباء مثل COVID-19، كارثة بيئية في خليج المكسيك، زلزال، حرائق غابات ضخمة في كاليفورنيا، موجة 30 مترًا تنقلب سفينة – هذه أحداث نادرة ولأنها نادرة، نحن لا نفعل ذلك” لديها الكثير من البيانات التاريخية.
ليس لدينا عينات كافية من الماضي للتنبؤ بها في المستقبل. السؤال الذي نتناوله في الورقة هو: ما هي أفضل البيانات الممكنة التي يمكننا استخدامها لتقليل عدد نقاط البيانات التي نحتاجها؟ “
وجد الباحثون الإجابة في تقنية أخذ عينات متسلسلة تسمى التعلم النشط.
هذه الأنواع من الخوارزميات الإحصائية ليست فقط قادرة على تحليل إدخال البيانات فيها، ولكن الأهم من ذلك، أنها يمكن أن تتعلم من المعلومات لتسمية نقاط البيانات الجديدة ذات الصلة التي تكون متساوية أو حتى أكثر أهمية للنتيجة التي يتم حسابها. على المستوى الأساسي، فهي تسمح بإنجاز المزيد بأقل قدر ممكن.
هذا أمر بالغ الأهمية لنموذج التعلم الآلي الذي استخدمه الباحثون في الدراسة
. يسمى هذا النموذج DeepOnet ، وهو نوع من الشبكات العصبية الاصطناعية، والتي تستخدم عقدًا مترابطة في طبقات متتالية تحاكي تقريبًا الاتصالات التي تحدثها الخلايا العصبية في الدماغ البشري. يُعرف DeepOnet بالمشغل العصبي العميق.
إنها أكثر تقدمًا وقوة من الشبكات العصبية الاصطناعية النموذجية لأنها في الواقع شبكتان عصبيتان في شبكة واحدة، تعالج البيانات في شبكتين متوازيتين.
وهذا يسمح لها بتحليل مجموعات ضخمة من البيانات والسيناريوهات بسرعة فائقة لإخراج مجموعات ضخمة من الاحتمالات بنفس القدر بمجرد أن تتعلم ما تبحث عنه.
إن عنق الزجاجة مع هذه الأداة القوية، خاصة فيما يتعلق بالأحداث النادرة، هو أن مشغلي الأعصاب العميقة يحتاجون إلى تدريب أطنان من البيانات لإجراء حسابات فعالة ودقيقة.
في الورقة البحثية، أظهر فريق البحث أنه جنبًا إلى جنب مع تقنيات التعلم النشط، يمكن تدريب نموذج DeepOnet على المعلمات أو السلائف التي يجب البحث عنها والتي تؤدي إلى الحدث الكارثي الذي يقوم شخص ما بتحليله، حتى في حالة عدم وجود العديد من نقاط البيانات.
وقال كارنياداكيس: “الدافع ليس أخذ كل البيانات الممكنة ووضعها في النظام، ولكن البحث بشكل استباقي عن الأحداث التي ستشير إلى الأحداث النادرة”.
“قد لا يكون لدينا العديد من الأمثلة على الحدث الحقيقي، ولكن قد يكون لدينا تلك السلائف. من خلال الرياضيات، نحددها، والتي ستساعدنا جنبًا إلى جنب مع الأحداث الحقيقية في تدريب هذا العامل المتعطش للبيانات “.
في الورقة البحثية، طبق الباحثون النهج لتحديد المعلمات ونطاقات مختلفة من الاحتمالات للارتفاعات الخطيرة أثناء الجائحة، وإيجاد الموجات المارقة والتنبؤ بها، وتقدير متى تنكسر السفينة إلى النصف بسبب الإجهاد.
على سبيل المثال، مع الموجات المارقة – تلك التي يزيد حجمها عن ضعف حجم الموجات المحيطة – وجد الباحثون أنه يمكنهم اكتشاف وتحديد وقت تشكل الموجات المارقة من خلال النظر في ظروف الموجات المحتملة التي تتفاعل بشكل غير خطي بمرور الوقت، مما يؤدي إلى موجات في بعض الأحيان ثلاث مرات حجمها الأصلي.
وجد الباحثون أن طريقتهم الجديدة تفوقت على جهود النمذجة التقليدية، ويعتقدون أنها تقدم إطارًا يمكنه اكتشاف جميع أنواع الأحداث النادرة والتنبؤ بها بكفاءة.
في الورقة، يحدد فريق البحث كيف يجب على العلماء تصميم تجارب مستقبلية حتى يتمكنوا من تقليل التكاليف وزيادة دقة التنبؤ.
كارنياداكيس ، على سبيل المثال، يعمل بالفعل مع علماء البيئة لاستخدام طريقة جديدة للتنبؤ بالأحداث المناخية، مثل الأعاصير.
المصدر: scitechdaily
شاهد ايضا:
