پیش بینی حوادث طبیعی و همه گیری ها با هوش مصنوعی

وقتی نوبت به پیش بینی بلایای ناشی از رویداد های شدید می رسد (به زمین لرزه ها، بیماری های همه گیر یا «امواج سرکش» که می توانند سازه های ساحلی را از بین ببرند)، مدل سازی محاسباتی با یک چالش تقریباً غیرقابل حل مواجه است: از نظر آماری، این رویداد ها آنقدر نادر هستند که داده های کافی وجود ندارد که آن ها را به استفاده از مدل های پیش بینی کننده برای پیش بینی دقیق زمان وقوع بعدی حوادث برساند. در مطالعه ای جدید در علوم محاسباتی طبیعت، دانشمندان توضیح می دهند که چگونه الگوریتم های آماری را که به داده های کمتری برای انجام پیش بینی های دقیق و کارآمد نیاز دارند، با تکنیک یادگیری ماشینی قدرتمندی که در براون توسعه داده است، ترکیب کردند و آن را برای پیش بینی سناریوها، احتمالات و حتی گاهی اوقات آموزش دادند.

با انجام این کار، تیم تحقیقاتی دریافت که این چارچوب جدید می تواند راهی برای دور زدن نیاز به مقادیر عظیم داده ای که به طور سنتی برای این نوع محاسبات مورد نیاز است، فراهم کند، در عوض اساساً چالش بزرگ پیش بینی رویداد های نادر را به یک موضوع با کیفیت تبدیل کند. جورج کارنیاداکیس، استاد ریاضیات کاربردی و مهندسی در براون و نویسنده مطالعه، می گوید: شما باید متوجه باشید که این ها رویداد های تصادفی هستند. طغیان یک بیماری همه گیر مانند COVID-۱۹، فاجعه زیست محیطی در خلیج مکزیک، یک زلزله، آتش سوزی های عظیم در کالیفرنیا، یک موج ۳۰ متری که یک کشتی را واژگون می کند - این ها رویداد های نادری هستند. ما داده های تاریخی زیادی داریم. ما نمونه های کافی از گذشته برای پیش بینی بیشتر آن ها در آینده نداریم. سؤالی که در این مقاله به آن می پردازیم این است: بهترین داده های ممکن که می توانیم از آن برای به حداقل رساندن تعداد استفاده کنیم چیست؟

محققان پاسخ را در روش نمونه گیری متوالی به نام یادگیری فعال یافتند. این نوع از الگوریتم های آماری نه تنها قادر به تجزیه و تحلیل داده های ورودی در آن ها هستند، بلکه مهم تر از آن، می توانند از اطلاعات یاد بگیرند تا نقاط داده مرتبط جدیدی را که به همان اندازه یا حتی برای نتیجه ای که محاسبه می شود اهمیت دارند، برچسب گذاری کنند. در ابتدایی ترین سطح، آن ها اجازه می دهند کار های بیشتری انجام شود. این برای مدل یادگیری ماشینی که محققان در مطالعه از آن 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 یکی است و داده ها را در دو شبکه موازی پردازش می کند. این به آن اجازه می دهد تا مجموعه های عظیمی از داده ها و سناریو ها را با سرعتی سرسام آور تجزیه و تحلیل کند تا به محض اینکه بفهمد به دنبال چه چیزی می گردد، مجموعه های به همان اندازه عظیمی از احتمالات را از بین ببرد. گلوگاه این ابزار قدرتمند، به ویژه در رابطه با رویداد های نادر، این است که اپراتور های عصبی عمیق برای انجام محاسبات مؤثر و دقیق به هزاران داده نیاز دارند تا آموزش ببینند. در این مقاله، تیم تحقیقاتی نشان می دهد که همراه با تکنیک های یادگیری فعال، مدل DeepOnet می تواند در مورد پارامتر ها یا پیش ساز هایی که به دنبال رویداد فاجعه باری است که کسی در حال تجزیه و تحلیل است، آموزش ببیند، حتی زمانی که نقاط داده زیادی وجود ندارد.

کارنیاداکیس گفت: «هدف این نیست که همه داده های ممکن را بگیریم و آن ها را در سیستم قرار دهیم، بلکه به دنبال رویداد هایی باشیم که نشانه ای از رویداد های نادر باشند. ما ممکن است نمونه های زیادی از رویداد واقعی نداشته باشیم، اما ممکن است آن پیش ساز ها را داشته باشیم. از طریق ریاضیات، آن ها را شناسایی می کنیم، که همراه با رویداد های واقعی به ما کمک می کند تا این اپراتور تشنه داده را آموزش دهیم. در این مقاله، محققان این رویکرد را برای تعیین دقیق پارامتر ها و دامنه های مختلف احتمالات برای حوادث خطرناک در طول همه گیری، یافتن و پیش بینی امواج سرکش، و تخمین زمانی که یک کشتی به دلیل استرس به نصف می شکند، اعمال می کنند. به عنوان مثال، با امواج سرکش - امواجی که بزرگتر از دو برابر امواج اطراف هستند - محققان دریافتند که می توانند با بررسی شرایط موجی احتمالی که به صورت غیرخطی در طول زمان برهمکنش غیرخطی دارند را کشف کنند.

محققان دریافتند روش جدید آن ها از تلاش های مدل سازی سنتی بهتر عمل می کند و معتقدند چارچوبی را ارائه می دهد که می تواند به طور موثر انواع رویداد های نادر را کشف و پیش بینی کند. در این مقاله، تیم تحقیقاتی چگونگی طراحی آزمایش های آینده توسط دانشمندان را مشخص می کند تا بتوانند هزینه ها را به حداقل برسانند و دقت پیش بینی را افزایش دهند. به عنوان مثال، کارنیاداکیس در حال حاضر با دانشمندان محیط زیست کار می کند تا از روش جدی