صفحه نخست

آموزش و دانشگاه

علم‌وفناوری

ارتباطات و فناوری اطلاعات

سلامت

پژوهش

علم +

سیاست

اقتصاد

فرهنگ‌ و‌ جامعه

ورزش

عکس

فیلم

استانها

بازار

اردبیل

آذربایجان شرقی

آذربایجان غربی

اصفهان

البرز

ایلام

بوشهر

تهران

چهارمحال و بختیاری

خراسان جنوبی

خراسان رضوی

خراسان شمالی

خوزستان

زنجان

سمنان

سیستان و بلوچستان

فارس

قزوین

قم

کردستان

کرمان

کرمانشاه

کهگیلویه و بویراحمد

گلستان

گیلان

لرستان

مازندران

مرکزی

هرمزگان

همدان

یزد

هومیانا

پخش زنده

دیده بان پیشرفت علم، فناوری و نوآوری
۱۸:۲۱ - ۰۹ آبان ۱۴۰۱
برای حل مسائل پیچیده محاسباتی که نیاز به ابر رایانه دارد؛

دانشمندان از یادگیری ماشینی برای فرآیندهای فیزیکی آشفته استفاده می‌کنند

دانشمندان اعلام کردند به لطف یک الگوریتم جدید، اکنون می توان فرآیندهای فیزیکی آشفته را پیش‌بینی کرد. این روش یادگیری ماشینی پیشرفته «محاسبات مخزن نسل بعدی» نام گرفته است.
کد خبر : 811898

به گزارش گروه دانش و فناوری خبرگزاری آنا به نقل از (سای تک دیلی)، در حالی که گذشته ممکن است یک نقطه ثابت و غیرقابل تغییر باشد، یادگیری ماشینی گاهی اوقات می‌تواند پیش بینی آینده را آسان‌تر کند.

محققان دانشگاه ایالتی اوهایو اخیراً روش جدیدی را برای پیش‌بینی رفتار سیستم‌های آشفته فضایی و زمانی، مانند تغییرات آب و هوای زمین، کشف کرده‌اند که پیش‌بینی آن با استفاده از نوع جدیدی از تکنیک یادگیری ماشینی به نام محاسبات مخزن نسل بعدی برای دانشمندان دشوار است.

این تحقیق از یک الگوریتم کاملاً جدید و بسیار کارآمد استفاده می‌کند که وقتی با محاسبات مخزن نسل بعدی ترکیب می‌شود، می‌تواند سیستم‌های آشوب مکانی و زمانی را در کسری از آن بیاموزد. زمان مورد نیاز الگوریتم‌های یادگیری ماشین سنتی

محققان روش خود را با پیش بینی رفتار یک مدل آب و هوای جوی آزمایش کردند، مشکلی چالش برانگیز که در گذشته به طور گسترده در مورد آن تحقیق شده است. الگوریتم تیم ایالت اوهایو دقیق‌تر است و به ۴۰۰ تا ۱۲۵۰ برابر کمتر داده‌های آموزشی نیاز دارد تا بتواند پیش‌بینی‌های بهتری نسبت به الگوریتم‌های سنتی یادگیری ماشینی رقیب خود داشته باشد که می‌توانند کار‌های مشابه را انجام دهند.

آن‌ها از یک لپ تاپ با ویندوز ۱۰ برای پیش بینی در کسری از ثانیه استفاده کردند که تقریباً ۲۴۰۰۰۰ برابر سریعتر از الگوریتم‌های یادگیری ماشینی معمولی است. روش آن‌ها همچنین از نظر محاسباتی هزینه کمتری دارد. در حالی که حل مسائل پیچیده محاسباتی قبلاً به یک ابر رایانه نیاز داشت.

 

محققان از یک روش یادگیری ماشینی پیشرفته به نام محاسبات مخزن نسل بعدی استفاده می‌کنند.

 

Wendson De Sa Barbosa، نویسنده اصلی و محقق فوق دکتری فیزیک در ایالت اوهایو گفت: این بسیار هیجان انگیز است، زیرا ما معتقدیم که پیشرفت قابل توجهی از نظر کارایی پردازش داده‌ها و دقت پیش بینی در زمینه یادگیری ماشینی است.

او گفت که یادگیری پیش‌بینی این سیستم‌های به شدت آشفته یک «چالش بزرگ فیزیک» است و درک آن‌ها می‌تواند راه را برای اکتشافات و پیشرفت‌های علمی جدید هموار کند.

De Sa Barbosa گفت: الگوریتم‌های یادگیری ماشین مدرن به‌ویژه برای پیش‌بینی سیستم‌های دینامیکی با یادگیری قوانین فیزیکی زیربنایی آن‌ها با استفاده از داده‌های تاریخی مناسب هستند. هنگامی که داده‌ها و قدرت محاسباتی کافی دارید، می‌توانید با مدل‌های یادگیری ماشینی در مورد هر سیستم پیچیده دنیای واقعی پیش بینی کنید. چنین سیستم‌هایی می‌توانند شامل هر فرآیند فیزیکی، از باب آونگ ساعت تا اختلال در شبکه‌های برق باشند.

د سا باربوسا گفت، حتی سلول‌های قلب نیز زمانی که با فرکانس غیرعادی بالاتر از ضربان قلب عادی نوسان می‌کنند، الگو‌های فضایی آشفته را نشان می‌دهند. این بدان معناست که این تحقیق می‌تواند روزی برای ارائه بینش بهتری در مورد کنترل و تفسیر بیماری قلبی و همچنین مجموعه‌ای از سایر مشکلات "دنیای واقعی" استفاده شود.

 

 

او گفت: اگر کسی معادلاتی را بداند که به طور دقیق چگونگی تکامل این فرآیند‌های منحصربه‌فرد برای یک سیستم را توصیف می‌کند، می‌توان رفتار آن را بازتولید و پیش‌بینی کرد. حرکات ساده مانند موقعیت نوسان ساعت را می‌توان به راحتی با استفاده از موقعیت و سرعت فعلی آن پیش بینی کرد.

با این حال، پیش‌بینی سیستم‌های پیچیده‌تر، مانند آب‌وهوای زمین، به دلیل تعداد متغیر‌هایی که به طور فعال رفتار آشفته آن را دیکته می‌کنند، بسیار دشوارتر است.

دسا باربوسا گفت: برای پیش‌بینی دقیق کل سیستم، دانشمندان باید اطلاعات دقیقی در مورد هر یک از این متغیر‌ها و معادلات مدلی داشته باشند که چگونگی ارتباط این متغیر‌های زیادی را توصیف می‌کند، که کاملاً غیرممکن است. اما با الگوریتم یادگیری ماشینی آنها، تقریباً ۵۰۰۰۰۰ نقطه داده آموزشی تاریخی استفاده شده در کار‌های قبلی برای مثال آب و هوای جوی مورد استفاده در این مطالعه را می‌توان به تنها ۴۰۰ کاهش داد، در حالی که همچنان به همان دقت یا دقت بهتری دست یافت.

او گفت که در ادامه، De Sa Barbosa قصد دارد تحقیقات خود را با استفاده از الگوریتم آن‌ها برای سرعت بخشیدن به شبیه سازی‌های مکانی-زمانی بیشتر کند.

ما در دنیایی زندگی می‌کنیم که هنوز در مورد آن اطلاعات کمی داریم، بنابراین مهم است که این سیستم‌های با پویایی بالا را بشناسیم و یاد بگیریم چگونه آن‌ها را به طور کارآمدتر پیش‌بینی کنیم.

انتهای پیام/

ارسال نظر