L’apprentissage automatique aide les scientifiques à scruter (une seconde) le futur : un nouvel algorithme facilite la prédiction des processus physiques chaotiques

Le passé peut être un point fixe et immuable, mais avec l’aide de l’apprentissage automatique, l’avenir peut parfois être plus facilement deviné.

En utilisant un nouveau type de méthode d’apprentissage automatique appelée calcul de réservoir de nouvelle génération, des chercheurs de l’Ohio State University ont récemment trouvé une nouvelle façon de prédire le comportement des systèmes chaotiques spatio-temporels – tels que les changements du temps de la Terre – qui sont particulièrement complexes pour les scientifiques Prévoir.

L’étude, publiée aujourd’hui dans la revue Chaos : une revue interdisciplinaire de sciences non linéairesutilise un nouvel algorithme très efficace qui, lorsqu’il est combiné avec l’informatique de réservoir de nouvelle génération, peut apprendre des systèmes chaotiques spatio-temporels en une fraction du temps des autres algorithmes d’apprentissage automatique.

Les chercheurs ont testé leur algorithme sur un problème complexe qui a été étudié à plusieurs reprises dans le passé : prévoir le comportement d’un modèle météorologique atmosphérique. Par rapport aux algorithmes d’apprentissage automatique traditionnels qui peuvent résoudre les mêmes tâches, l’algorithme de l’équipe de l’Ohio State est plus précis et utilise 400 à 1 250 fois moins de données d’entraînement pour faire de meilleures prédictions que son homologue. Leur méthode est également moins coûteuse en calculs ; Alors que la résolution de problèmes informatiques complexes nécessitait auparavant un superordinateur, ils ont utilisé un ordinateur portable exécutant Windows 10 pour faire des prédictions en une fraction de seconde environ, soit environ 240 000 fois plus rapidement que les algorithmes d’apprentissage automatique traditionnels.

« C’est très excitant, car nous pensons qu’il s’agit d’une avancée substantielle en termes d’efficacité du traitement des données et de précision des prédictions dans le domaine de l’apprentissage automatique », a déclaré Wendson De Sa Barbosa, auteur principal et chercheur postdoctoral en physique à l’Ohio State. Il a déclaré qu’apprendre à prédire ces systèmes extrêmement chaotiques est un « grand défi physique » et que les comprendre pourrait ouvrir la voie à de nouvelles découvertes et percées scientifiques.

« Les algorithmes d’apprentissage automatique modernes sont particulièrement bien adaptés pour prédire les systèmes dynamiques en apprenant leurs règles physiques sous-jacentes à l’aide de données historiques », a déclaré De Sa Barbosa. « Une fois que vous avez suffisamment de données et de puissance de calcul, vous pouvez faire des prédictions avec des modèles d’apprentissage automatique sur n’importe quel système complexe du monde réel. » De tels systèmes peuvent inclure n’importe quel processus physique, du balancement du pendule d’une horloge aux perturbations des réseaux électriques.

Même les cellules cardiaques affichent des modèles spatiaux chaotiques lorsqu’elles oscillent à une fréquence anormalement plus élevée qu’un rythme cardiaque normal, a déclaré De Sa Barbosa. Cela signifie que cette recherche pourrait un jour être utilisée pour mieux comprendre le contrôle et l’interprétation des maladies cardiaques, ainsi qu’une foule d’autres problèmes du « monde réel ».

« Si l’on connaît les équations qui décrivent avec précision comment ces processus uniques pour un système vont évoluer, alors son comportement pourrait être reproduit et prédit », a-t-il déclaré. Des mouvements simples, comme la position d’oscillation d’une horloge, peuvent être prédits facilement en utilisant uniquement sa position et sa vitesse actuelles. Pourtant, des systèmes plus complexes, comme le climat de la Terre, sont beaucoup plus difficiles à prévoir en raison du nombre de variables qui dictent activement son comportement chaotique.

Pour faire des prédictions précises de l’ensemble du système, les scientifiques devraient disposer d’informations précises sur chacune de ces variables, et les équations modèles qui décrivent comment ces nombreuses variables sont liées, ce qui est tout à fait impossible, a déclaré De Sa Barbosa. Mais avec leur algorithme d’apprentissage automatique, les près de 500 000 points de données d’entraînement historiques utilisés dans les travaux précédents pour l’exemple de météo atmosphérique utilisé dans cette étude pourraient être réduits à seulement 400, tout en obtenant la même précision ou une meilleure précision.

À l’avenir, De Sa Barbosa vise à approfondir ses recherches en utilisant leur algorithme pour éventuellement accélérer les simulations spatio-temporelles, a-t-il déclaré.

« Nous vivons dans un monde que nous connaissons encore si peu, il est donc important de reconnaître ces systèmes à haute dynamique et d’apprendre à les prédire plus efficacement. »

Le co-auteur de l’étude était Daniel J. Gauthier, professeur de physique à l’Ohio State. Leur travail a été soutenu par l’Air Force Office of Scientific Research.

Source de l’histoire :

Matériel fourni par Université d’État de l’Ohio. Original écrit par Tatyana Woodall. Remarque : Le contenu peut être modifié pour le style et la longueur.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*