Bilim İnsanları Geleceği Görmek İçin Makine Öğrenimini Kullanıyor
Ohio Eyalet Üniversitesi'ndeki araştırmacılar, hava değişiklikleri gibi uzaysal-zamansal sistemlerin davranışını tahmin etmek için yeni bir yöntem keşfettiler. Bunlar, bilim insanlarının yeni nesil rezervuar hesaplama adı verilen yeni bir tür makine öğrenimi tekniğini kullanarak tahmin etmesi son derece zordur.
Araştırmacılar, atmosferik bir modelin nasıl davranacağını tahmin ederek yöntemlerini test ettiler. Bu zorlu problem geçmişte kapsamlı bir şekilde incelenmiştir. Ohio State ekibinin algoritması, benzer tahminler üretebilen geleneksel makine öğrenimi algoritmalarından daha iyidir. Ancak, 400 ila 1.250 kat daha az eğitim verisi gerektirir. Tahminlerde bulunmak için bir Windows 10 dizüstü bilgisayar kullandılar. Bu, geleneksel makine öğrenimi algoritmalarından yaklaşık 240.000 kat daha hızlıydı. Bu yöntem aynı zamanda bir süper bilgisayarda karmaşık hesaplama problemlerinin çözülmesini gerektiren önceki yöntemlerden daha uygun maliyetlidir.
Ohio State Physics'te doktora sonrası araştırmacı olan Wendson De Sabosa, "bunun çok heyecan verici" olduğunu söyledi ve "makine öğreniminde veri işleme verimliliği ve tahmin doğruluğu açısından önemli bir ilerleme" olarak nitelendirdi. Bu tür kaotik sistemlerin nasıl tahmin edileceğini öğrenmek, bilimsel keşifler ve atılımlar için yeni yollar açabilecek bir şeydir.
De Sa Barbosa, modern makine öğrenimi algoritmalarının dinamik sistemleri tahmin etmek için çok uygun olduğunu söyledi. Bu algoritmalar, geçmiş verileri kullanarak bu sistemlerin altında yatan fiziksel kuralları öğrenir. "Yeterli veriye, hesaplama gücüne ve yeterli veriye sahip olduğunuzda, herhangi bir karmaşık gerçek dünya sistemi hakkında makine öğrenimi modellerini kullanarak tahminler yapabilirsiniz." Bu, elektrik şebekelerindeki kesintilerden veya bir saat sarkacının göbeğindeki kesintilerden etkilenebilecek herhangi bir fiziksel süreci içerebilir.
De Sa Barbosa, kalpteki hücrelerin bile normalden daha yüksek bir frekansta salınırlarsa kaotik uzaysal desenler gösterebileceğini belirtti. Bu araştırma, kalp hastalığını anlamaya ve kontrol etmeye yardımcı olabilir.
Bir sistemdeki benzersiz süreçlerin nasıl gelişeceğini tanımlayan denklemler biliniyorsa, davranışının yeniden üretilebileceğini ve tahmin edilebileceğini belirtti. Bir saatin sallanma konumu gibi basit hareketler, hızı ve mevcut konumu kullanılarak kolayca tahmin edilebilir. Dünya'nın hava durumu sistemi gibi daha karmaşık sistemlerin tahmin edilmesi zor olabilir çünkü pek çok değişken kaotik davranışını aktif olarak etkiler.
De Sa Barbosa, bilim insanlarının sistemi tahmin etmek için tüm değişkenler ve model denklemleri hakkında doğru bilgiye ihtiyaç duyduğunu belirtti. Bununla birlikte, makine öğrenimi algoritmaları ile, atmosferik iklim örneği için önceki çalışmalarda kullanılan yaklaşık 500.000 geçmiş veri noktası 400'e düşürülebilir. Bu, aynı doğruluğu veya daha da iyiyi elde etmelerini sağlar.
