پیش‌بینی زمان و بزرگی بلایای طبیعی یک موضوع بسیار مهم و اساسی محسوب می شود. با این حال، از آنجایی که آن ها از نظر آماری بسیار نادر هستند، داده های کافی برای پیش بینی دقیق آنها وجود ندارد.
تیمی از محققان دانشگاه براون و موسسه فناوری ماساچوست می گویند راه هایی برای پیش بینی وقوع بلایای طبیعی و همه گیری های جهانی با کمک هوش مصنوعی وجود دارد.
در این مطالعه جدید، آن ها الگوریتم های آماری را که به داده های کمتری برای پیش بینی دقیق نیاز دارند، با یک یادگیری ماشینی قدرتمند (کاربرد هوش مصنوعی) ترکیب کردند تا با موفقیت از نیاز به داده های بیش از حد چشم پوشی کنند.
جورج کارنیاداکیس، پژوهشگر ارشد این مطالعه و استاد ریاضیات کاربردی و مهندسی در دانشگاه براون، در این رابطه می گوید: باید متوجه باشید که این رویدادها تصادفی هستند. شیوع یک بیماری همه گیر مانند کرونا، فاجعه زیست محیطی در خلیج مکزیک، زلزله، آتش سوزی های عظیم و سونامی رویدادهای نادری هستند و چون به ندرت رخ می دهند، اطلاعات آماری متنوعی از آن ها وجود ندارد. به طور کلی ما نمونه های کافی از گذشته برای پیش بینی آن ها در آینده نداریم. به همین دلیل محققان در تلاش هستند تا بدانند چگونه می توانیم از بهترین داده ممکن برای به حداقل رساندن تعداد نقاط داده مورد نیاز خود استفاده کنیم؟
این تیم دریافتند که استفاده از یادگیری فعال، روش نمونه گیری متوالی، راه حلی منطقی برای این موضوع است. این الگوریتم ها می توانند داده های ورودی را تجزیه و تحلیل کرده و همچنین از آنچه ارائه شده است برای برچسب گذاری نقاط داده جدید که اهمیت برابر یا بیشتر هستند، بیاموزند. با این روش می توان با حداقل اطلاعات کارهای بیشتری انجام داد. مدل یادگیری ماشینی که آنها استفاده کردند DeepOnet نام دارد، نوعی شبکه عصبی مصنوعی که از گره های به هم پیوسته و لایه ای استفاده می کند که می تواند اتصالات عصبی مغز انسان را تقلید کند.
بر اساس این مدل جدید، دو شبکه عصبی با این ابزار در یک سیستم یکسان عمل کرده و آن را به یک منبع فوق العاده قدرتمند تبدیل می کند که می تواند داده ها را در هر دو شبکه پردازش کند. در نهایت، این فناوری اجازه می دهد تا مقادیر زیادی از داده ها به سرعت تجزیه و تحلیل شوند، در حالی که مقادیر به همان اندازه داده در پاسخ تولید می شود. در این پژوهش، محققان توانستند نشان دهند که DeepOnet، همراه با تکنیک های یادگیری فعال، می تواند به طور دقیق شاخص های یک رویداد فاجعه بار را بدون داده های زیادی که در دسترس باشند، شناسایی کند.
تیمی از محققان دانشگاه براون و موسسه فناوری ماساچوست می گویند راه هایی برای پیش بینی وقوع بلایای طبیعی و همه گیری های جهانی با کمک هوش مصنوعی وجود دارد.
در این مطالعه جدید، آن ها الگوریتم های آماری را که به داده های کمتری برای پیش بینی دقیق نیاز دارند، با یک یادگیری ماشینی قدرتمند (کاربرد هوش مصنوعی) ترکیب کردند تا با موفقیت از نیاز به داده های بیش از حد چشم پوشی کنند.
جورج کارنیاداکیس، پژوهشگر ارشد این مطالعه و استاد ریاضیات کاربردی و مهندسی در دانشگاه براون، در این رابطه می گوید: باید متوجه باشید که این رویدادها تصادفی هستند. شیوع یک بیماری همه گیر مانند کرونا، فاجعه زیست محیطی در خلیج مکزیک، زلزله، آتش سوزی های عظیم و سونامی رویدادهای نادری هستند و چون به ندرت رخ می دهند، اطلاعات آماری متنوعی از آن ها وجود ندارد. به طور کلی ما نمونه های کافی از گذشته برای پیش بینی آن ها در آینده نداریم. به همین دلیل محققان در تلاش هستند تا بدانند چگونه می توانیم از بهترین داده ممکن برای به حداقل رساندن تعداد نقاط داده مورد نیاز خود استفاده کنیم؟
این تیم دریافتند که استفاده از یادگیری فعال، روش نمونه گیری متوالی، راه حلی منطقی برای این موضوع است. این الگوریتم ها می توانند داده های ورودی را تجزیه و تحلیل کرده و همچنین از آنچه ارائه شده است برای برچسب گذاری نقاط داده جدید که اهمیت برابر یا بیشتر هستند، بیاموزند. با این روش می توان با حداقل اطلاعات کارهای بیشتری انجام داد. مدل یادگیری ماشینی که آنها استفاده کردند DeepOnet نام دارد، نوعی شبکه عصبی مصنوعی که از گره های به هم پیوسته و لایه ای استفاده می کند که می تواند اتصالات عصبی مغز انسان را تقلید کند.
بر اساس این مدل جدید، دو شبکه عصبی با این ابزار در یک سیستم یکسان عمل کرده و آن را به یک منبع فوق العاده قدرتمند تبدیل می کند که می تواند داده ها را در هر دو شبکه پردازش کند. در نهایت، این فناوری اجازه می دهد تا مقادیر زیادی از داده ها به سرعت تجزیه و تحلیل شوند، در حالی که مقادیر به همان اندازه داده در پاسخ تولید می شود. در این پژوهش، محققان توانستند نشان دهند که DeepOnet، همراه با تکنیک های یادگیری فعال، می تواند به طور دقیق شاخص های یک رویداد فاجعه بار را بدون داده های زیادی که در دسترس باشند، شناسایی کند.
کد خبر ۲۱۲۰۱۱۰۱۰.۵۸۵
