Bilim İnsanları Geleceği Görmek İçin Makine Öğrenimini Kullanıyor
Yeni bir algoritma sayesinde kaotik fiziksel süreçleri tahmin etmek artık daha kolay.
Geçmiş sabit ve değişmez bir nokta olsa da, makine öğrenimi bazen geleceği tahmin etmeyi kolaylaştırabilir.
Ohio Eyalet Üniversitesi’ndeki araştırmacılar, yakın zamanda, bilim insanlarının yeni nesil rezervuar hesaplama adı verilen yeni bir tür makine öğrenimi tekniği kullanarak tahmin etmesi özellikle zor olan, Dünya’nın havasındaki değişiklikler gibi uzay-zamansal kaotik sistemlerin davranışını tahmin etmenin yeni bir yolunu keşfettiler.
Yayınlanan araştırma, yeni nesil rezervuar hesaplama ile birleştirildiğinde, uzay-zamansal kaotik sistemleri çok az bir sürede öğrenebilen yepyeni, yüksek verimli bir algoritmadan yararlanıyor.
Araştırmacılar, geçmişte kapsamlı bir şekilde araştırılan zorlu bir problem olan atmosferik hava durumu modelinin davranışını tahmin ederek yöntemlerini teste tabi tutuyorlar. Ohio State ekibinin algoritması aynı görevleri yapabilen rakip, geleneksel makine öğrenimi algoritmalarından daha iyi tahminler üretmek için 400 ila 1.250 kat daha az eğitim verisine ihtiyaç duyar. Windows 10 çalıştıran bir dizüstü bilgisayar kullanarak, geleneksel makine öğrenimi algoritmalarından yaklaşık 240.000 kat daha hızlı olan, saniyenin çok küçük bir bölümünde tahminlerde bulundular. Yöntemleri ayrıca hesaplama açısından daha az maliyetlidir. Karmaşık bilgi işlem problemlerini çözmek daha öncesinde bir süper bilgisayar gerektiriyordu.
Ohio State’de fizik alanında doktora sonrası araştırmacı Wendson De Sa Barbosa, “Bu çok heyecan verici, çünkü bunun makine öğrenimi alanında veri işleme verimliliği ve tahmin doğruluğu açısından önemli bir ilerleme olduğuna inanıyoruz” dedi. Bu son derece kaotik sistemleri tahmin etmeyi öğrenmenin “fiziksel büyük bir zorluk” olduğunu ve onları anlamanın yeni bilimsel keşiflerin ve atılımların yolunu açabileceğini söyledi.
De Sa Barbosa, “Modern makine öğrenimi algoritmaları, geçmiş verileri kullanarak temel fiziksel kurallarını öğrenerek dinamik sistemleri tahmin etmek için özellikle çok uygundur” dedi. “Yeterli veriye ve hesaplama gücüne sahip olduğunuzda, gerçek dünyadaki herhangi bir karmaşık sistem hakkında makine öğrenimi modelleriyle tahminler yapabilirsiniz.” Bu tür sistemler, bir saat sarkacının göbeğinden elektrik şebekelerindeki kesintilere kadar herhangi bir fiziksel süreci içerebilir.
De Sa Barbosa, kalp hücrelerinin bile normal bir kalp atışından anormal derecede daha yüksek bir frekansta salındıklarında kaotik uzaysal desenler sergilediklerini söyledi. Bu, bu araştırmanın bir gün kalp hastalığını kontrol etmek ve yorumlamak için daha iyi bir içgörü sağlamak için kullanılabileceği anlamına gelir ve aynı zamanda diğer “gerçek dünya” sorunlarının bir kısmı.
“Bir sistem için bu benzersiz süreçlerin nasıl gelişeceğini doğru bir şekilde tanımlayan denklemler biliniyorsa, davranışı yeniden üretilebilir ve tahmin edilebilir” dedi. Bir saatin dönüş konumu gibi basit hareketler, yalnızca mevcut konumu ve hızı kullanılarak kolayca tahmin edilebilir. Yine de, Dünya’nın hava durumu gibi daha karmaşık sistemleri, kaotik davranışını aktif olarak belirleyen kaç değişken nedeniyle çok daha zordur.
De Sa Barbosa, tüm sistem hakkında kesin tahminlerde bulunmak için bilim insanlarının bu değişkenlerin her biri ve bu değişkenlerin birbiriyle nasıl ilişkili olduğunu tanımlayan model denklemleri hakkında doğru bilgiye sahip olması gerektiğini söyledi, ki bu tamamen imkansız. Ancak, makine öğrenimi algoritmaları ile, bu çalışmada kullanılan atmosferik hava durumu örneği için önceki çalışmalarda kullanılan yaklaşık 500.000 geçmiş eğitim veri noktası, aynı veya daha iyi doğruluk elde edilirken yalnızca 400’e düşürülebilir.
leriye dönük olarak, De Sa Barbosa, uzay-zamansal simülasyonları hızlandırmak için algoritmalarını kullanarak araştırmasını ilerletmeyi hedeflediğini söyledi.
“Hakkında çok az şey bildiğimiz bir dünyada yaşıyoruz, bu nedenle bu yüksek dinamik sistemleri tanımak ve onları nasıl daha verimli bir şekilde tahmin edebileceğimizi öğrenmek önemlidir.”
Kaynak: Wendson A.S. Barbosa ve Daniel J. Gauthier tarafından yazılan “Yeni nesil rezervuar hesaplamasını kullanarak uzaysal-zamansal kaos öğrenme”, 26 Eylül 2022, Kaos: Disiplinlerarası Bir Nonlinear Bilim Dergisi.
Kaynak: https://scitechdaily.com/
Derleyen: Figen Berber