O passado pode ser um ponto fixo e imutável, mas com a ajuda do aprendizado de máquina, o futuro às vezes pode ser mais facilmente adivinhado.
Usando um novo tipo de método de aprendizado de máquina chamado computação de reservatório de próxima geração, pesquisadores da Ohio State University descobriram recentemente uma nova maneira de prever o comportamento de sistemas caóticos espaço-temporais – como mudanças no clima da Terra – que são particularmente complexos para os cientistas preverem. .

O estudo, publicado hoje na revista Chaos:An Interdisciplinary Journal of Nonlinear Science , utiliza um algoritmo novo e altamente eficiente que, quando combinado com a computação de reservatório de próxima geração, pode aprender sistemas caóticos espaço-temporais em uma fração do tempo de outros algoritmos de aprendizado de máquina.

Os pesquisadores testaram seu algoritmo em um problema complexo que foi estudado muitas vezes no passado – prever o comportamento de um modelo climático atmosférico. Em comparação com os algoritmos tradicionais de aprendizado de máquina que podem resolver as mesmas tarefas, o algoritmo da equipe da Ohio State é mais preciso e usa de 400 a 1.250 vezes menos dados de treinamento para fazer previsões melhores do que sua contraparte.

Seu método também é computacionalmente menos dispendioso; embora a resolução de problemas complexos de computação exigisse anteriormente um supercomputador, eles usaram um laptop com Windows 10 para fazer previsões em cerca de uma fração de segundo, cerca de 240.000 vezes mais rápido do que os algoritmos tradicionais de aprendizado de máquina.

“Isso é muito empolgante, pois acreditamos que é um avanço substancial em termos de eficiência de processamento de dados e precisão de previsão no campo de aprendizado de máquina”, disse Wendson De Sa Barbosa, autor principal e pesquisador de pós-doutorado em física na Ohio State. Ele disse que aprender a prever esses sistemas extremamente caóticos é um "grande desafio da física", e entendê-los pode abrir caminho para novas descobertas e avanços científicos.

“Os algoritmos modernos de aprendizado de máquina são especialmente adequados para prever sistemas dinâmicos, aprendendo suas regras físicas subjacentes usando dados históricos”, disse De Sa Barbosa. “Depois de ter dados e poder computacional suficientes, você pode fazer previsões com modelos de aprendizado de máquina sobre qualquer sistema complexo do mundo real”. Tais sistemas podem incluir qualquer processo físico, desde o movimento do pêndulo de um relógio até interrupções nas redes elétricas.

Mesmo as células do coração exibem padrões espaciais caóticos quando oscilam em uma frequência anormalmente mais alta do que um batimento cardíaco normal, disse De Sa Barbosa. Isso significa que esta pesquisa pode um dia ser usada para fornecer uma melhor visão para controlar e interpretar doenças cardíacas, bem como uma série de outros problemas do "mundo real".

"Se alguém conhece as equações que descrevem com precisão como esses processos únicos de um sistema evoluirão, seu comportamento pode ser reproduzido e previsto", disse ele. Movimentos simples, como a posição de balanço de um relógio, podem ser previstos facilmente usando apenas sua posição e velocidade atuais. No entanto, sistemas mais complexos, como o clima da Terra, são muito mais difíceis de prever devido à quantidade de variáveis ​​que ditam ativamente seu comportamento caótico.

Para fazer previsões precisas de todo o sistema, os cientistas teriam que ter informações precisas sobre cada uma dessas variáveis ​​e as equações do modelo que descrevem como essas muitas variáveis ​​estão relacionadas, o que é totalmente impossível, disse De Sa Barbosa. Mas com seu algoritmo de aprendizado de máquina, os quase 500.000 pontos de dados de treinamento históricos usados ​​em trabalhos anteriores para o exemplo de clima atmosférico usado neste estudo poderiam ser reduzidos para apenas 400, enquanto ainda alcançavam a mesma ou melhor precisão.

No futuro, De Sa Barbosa pretende aprofundar sua pesquisa usando seu algoritmo para possivelmente acelerar simulações espaço-temporais, disse ele.

“Vivemos em um mundo sobre o qual ainda sabemos tão pouco, por isso é importante reconhecer esses sistemas altamente dinâmicos e aprender como predizê-los com mais eficiência”. + Explorar mais

Avanço relatado na química quântica aprimorada por aprendizado de máquina