El aprendizaje automático ayuda a los científicos a mirar hacia el futuro

El pasado puede ser un punto fijo e inmutable, pero con la ayuda del aprendizaje automático, a veces se puede conocer más fácilmente el futuro.

Usando un nuevo tipo de método de aprendizaje automático llamado La próxima generación de computación de yacimientosInvestigadores de la Universidad Estatal de Ohio encontraron recientemente una nueva forma de predecir el comportamiento de los sistemas espaciotemporales caóticos, como los cambios en el clima de la Tierra, que son particularmente complejos de predecir para los científicos.

El estudio fue publicado hoy en la revista Chaos: una revista interdisciplinaria de las ciencias no linealesutiliza un algoritmo nuevo y altamente eficiente que, cuando se combina con la computación de reservorios de próxima generación, puede aprender sistemas caóticos espaciotemporales en una fracción del tiempo de otros algoritmos de aprendizaje automático.

Los investigadores probaron su algoritmo en un problema complejo que se ha estudiado muchas veces en el pasado: predecir el comportamiento de un modelo meteorológico atmosférico. En comparación con los algoritmos tradicionales de aprendizaje automático que pueden resolver las mismas tareas, el algoritmo del equipo de Ohio State es más preciso y utiliza de 400 a 1250 veces menos datos de entrenamiento para hacer mejores predicciones que su contraparte. Su método también es menos costoso computacionalmente; Mientras resolvían problemas informáticos complejos que antes requerían una supercomputadora, usaron una computadora portátil con Windows 10 para hacer predicciones en aproximadamente una fracción de segundo, unas 240 000 veces más rápido que los algoritmos tradicionales de aprendizaje automático.

“Esto es muy emocionante, ya que creemos que es un avance significativo en términos de eficiencia de procesamiento de datos y precisión de predicción en el aprendizaje automático”, dijo. Winson de Sa Barbosa, Autor principal e investigador postdoctoral en Física en Ohio. Dijo que aprender a predecir estos sistemas altamente caóticos es un «gran desafío físico», y comprenderlos podría allanar el camino para nuevos descubrimientos y avances científicos.

“Los algoritmos modernos de aprendizaje automático son particularmente adecuados para predecir sistemas dinámicos mediante el aprendizaje de sus reglas físicas básicas utilizando datos históricos”, dijo de Sa Barbosa. «Una vez que tenga suficientes datos y capacidad computacional, puede hacer predicciones utilizando modelos de aprendizaje automático sobre cualquier sistema complejo en el mundo real». Estos sistemas pueden incluir cualquier proceso físico, desde el movimiento de un reloj de péndulo hasta perturbaciones en las redes eléctricas.

Incluso las células del corazón muestran patrones espaciales caóticos cuando oscilan a una frecuencia anormalmente más alta que un latido normal del corazón, dijo de Sa Barbosa. Esto significa que esta investigación podría usarse algún día para proporcionar una mejor comprensión del control y la explicación de las enfermedades cardíacas, así como una serie de otros problemas del «mundo real».

«Si uno conoce las ecuaciones que describen con precisión cómo evolucionan estos procesos únicos para un sistema, su comportamiento puede reproducirse y predecirse», dijo. Los movimientos simples, como la posición de giro de un reloj, se pueden predecir fácilmente utilizando solo su posición y velocidad actuales. Sin embargo, los sistemas más complejos, como el clima de la Tierra, son difíciles de predecir debido a la cantidad de variables que dictan activamente su comportamiento caótico.

Para hacer predicciones precisas para todo el sistema, dijo de Sa Barbosa, los científicos deben tener información precisa sobre cada una de estas variables y modelar ecuaciones que describan cómo se relacionan estas muchas variables, lo cual es absolutamente imposible. Pero utilizando su algoritmo de aprendizaje automático, los aproximadamente 500 000 puntos de datos de entrenamiento históricos utilizados en trabajos anteriores para el ejemplo del clima atmosférico utilizado en este estudio podrían reducirse a solo 400, logrando la misma o mejor precisión.

En el futuro, De Sa Barbosa tiene como objetivo mejorar su investigación mediante el uso de su algoritmo para acelerar las simulaciones espaciotemporales, dijo.

«Vivimos en un mundo del que todavía sabemos poco, por lo que es importante aprender sobre estos sistemas altamente dinámicos y aprender a predecirlos de manera más eficiente».

El coautor del estudio fue Daniel J. Gauthier, profesor de física en el estado de Ohio. Su trabajo fue apoyado por la Oficina de Investigación Científica de la Fuerza Aérea.