هوش مصنوعی

پیش‌بینی آشوب با استفاده از «آئروسل‌ها» و هوش مصنوعی

محققان دانشگاه واشنگتن مدل جدیدی بر پایه روش‌های یادگیری عمیق ارائه داده‌اند که به دانشمندان در پیش‌بینی رفتار سیستم‌های آشوبناک کمک می‌کند

پیش‌بینی الگوی پخش گاز سمی در محیط یا دانستن اینکه یک شهر در عرض ۲۰ سال چگونه تغییر و توسعه خواهد یافت، در عمل می‌تواند تأثیر به سزایی در سرنوشت انسان‌ها داشته باشد. اما برسی الگوی پیچیده‌ای مانند پخش گاز، با وجود عوامل تأثیرگذار زیادی مانند وزش باد، در عمل ممکن است؟

تئوری آشوب توسط هنری پوینکر در سال ۱۸۸۰ ارائه شد. این تئوری بیان می‌کند که تغییری بسیار جزئی در شرایط اولیه سیستم، می‌تواند منجر به تغییرات بسیار عظیم و عجیب در خروجی شود. به‌عبارت‌دیگر این سیستم‌ها بسیار حساس به شرایط اولیه‌اند و این حساسیت، رفتار سیستم را غیرقابل‌پیش‌بینی می‌کند.

تئوری آشوب در دنیای واقعی مانند پخش شدن یک قطره کوچک جوهر در استخری پر از آب است؛ استخری پر از آب را در نظر بگیرید، با استفاده از قطره‌چکان یک قطره جوهر به داخل استخر می‌ریزیم. زمانی این قطره رفتار آشوبی خواهد داشت که در کل سطح آب پخش شده و کل آب استخر به آن رنگ درآمده باشد! آشوب همچنین به صورت‌های مختلف دیگری نیز در طبیعت ظاهر می‌شود؛ مانند جریان مایعات، بی منظمی‌ها در تپش قلب و آب‌وهوا.

اثر پروانه

حساسیت سیستم‌ها به شرایط اولیه با نام اثر پروانه‌ای شناخته می‌شود. اثر پروانه‌ای برگرفته شده از مثال طوفان عظیمی است که به دلیل بال زدن پروانه‌ای هفته‌ها قبل‌تر در منطقه‌ای دور به وجود آمده است. ادوارد لورنز این اثر را زمانی کشف کرد که هنگام اجرای مدل آب‌وهوای خود با شرایط اولیه گرد شده، آن را با شرایط گرد نشده مقایسه کرد و به تفاوت عظیم خروجی پی برد. او متوجه شد که با تغییر بسیار کوچکی در شرایط اولیه، خروجی کاملاً متفاوتی به وجود می‌آید.

همان گونه که بیان شد، پیش‌بینی آشوب می‌تواند فواید بسیاری داشته باشد و به همین دلیل دانشمندان زیادی به پژوهش تئوری آشوب پرداخته‌اند و در تلاش‌اند مسائل این حوزه را حل کنند. اما در عمل نوشتن معادلات برای حل چنین مسائلی، با درنظرگرفتن تمام عوامل مؤثر، در بهترین حالت بسیار دشوار و در بدترین حالت غیرممکن است. اینجاست که یادگیری ماشین به کمک ما می‌آید.

راهی برای پیش‌بینی آشوب

محققان دانشگاه واشنگتن مدل جدیدی بر پایه روش‌های یادگیری عمیق ارائه داده‌اند که به دانشمندان در پیش‌بینی رفتار سیستم‌های آشوبناک کمک می‌کند. در این مدل جدید اهمیتی ندارد که این سیستم‌ها در آزمایشگاه باشند یا در محیط خارجی.

راجان چاکرابرتی استادیار مهندسی انرژی در این مورد می‌گوید: «زیبایی آئروسل۱ به فراتر بودنش رفتارش از هرگونه نظم و ترتیب است و درواقع با مشاهده آئروسل‌ها، پدیده آشوب را متوجه می‌شوید.»

آن‌ها از دو روش هوش مصنوعی برای آموزش ماشین استفاده کردند: روش ثبت خودکار متغیر۲ و GAN. ۳هر کدام از این مدل‌ها شبیه‌سازی مختص به خود را داشتند. در انتهای آزمایش با بررسی داده‌ها به این نتیجه رسیدند که روش GAN در تعیین مشخصه‌های آماری موفق‌تر عمل می‌کند و شبیه‌سازی نزدیک‌تر و واقعی‌تری نسبت به روش دیگر ارائه می‌دهد.

در این روش ابتدا اطلاعاتی درباره دنیای واقعی به رایانه داده می‌شود، سپس هوش مصنوعی بر پایه این اطلاعات دنیای واقعی را شبیه‌سازی می‌کند. به هنگام استفاده از این روش که ایده‌اش از بازی‌های کامپیوتری برگرفته شده است، رایانه هم اطلاعات درست و هم اطلاعات ساختگی دریافت می‌کند و باید تعیین کند کدام‌یک از اطلاعات صحیح بوده و دیگری غلط است.

این پروسه بارها تکرار می‌شود تا فیدبک موردنظر فراهم شود و سیستم به‌مرور زمان اطلاعات دقیق‌تر و به واقعیت نزدیک‌تر تولید کند.

توصیف حرکت آشوب‌وار ذرات معلق در یک سیستم نامعین به‌وسیله محاسبات ریاضی بسیار پیچیده است. به همین علت تیم چاکرابرتی به اطلاعات واقعی در یک سیستم معین برای آموزش ماشین خود نیاز داشتند، اینجا بود که آئروسل‌ها به کار آمدند.

این تیم از buoyancy-opposed flame برای ساخت مثال‌هایی جهت آموزش ماشین خود استفاده کردند. درواقع آن‌ها با تعریف تغییرات دمایی و شناور بودن، مفهوم آشوب را برای سیستم تعیین کردند.

مدل یادگیری عمیق تیم چاکرابرتی، علاوه بر شبیه‌سازی، در موارد دیگری نظیر درمان بیماری سندروم تیک در کودکان نیز به کار گرفته می‌شود. سندروم تیک یک نوع خاصی از آشوب می‌باشد که روش‌های درمان اولیه در درمان آن مؤثر نیست. روان‌پزشکان با استفاده از مدل یادگیری عمیق، به دنبال روشی مؤثر در بهبود این بیماری هستند.

استفاده گسترده از یادگیری عمیق جدید، نه‌تنها قدرت هوش مصنوعی را نشان می‌دهد بلکه موضوعات جالب و چشم‌گیری در ارتباط با واقعیت آشکار می‌کند. در حالت کلی آشوب یا نظم به دید بیننده بستگی دارد؛ زیرا قوانین خاصی وجود دارند که پدیده‌های اطراف خود را کنترل می‌کنند ولی از دید ما پنهان هستند و برای تشخیص آن‌ها باید دید خود را تغییر داد.

  1. ذرات معلق جامد یا مایع در هوا یا گاز دیگر را گویند.[]
  2. روشی است که کمک می‌کند مدل‌های پیچیده‌ای از دیتا را طراحی کنیم و آنها را به‌صورت مجموعه‌ای بزرگ از داده‌ها درآوریم.[]
  3. یک طبقه‌بندی از چارچوب‌های یادگیری ماشین است که توسط ایان گودفیلو و همکارانش در سال ۲۰۱۴ اختراع شده است.[]
برچسب ها

سروین قیاسی

نوروساینس و ربایتک هوش مصنوعی

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

دکمه بازگشت به بالا
بستن