Usando el movimiento de partículas de aerosol a través de un sistema en flujo, investigadores de la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis han ideado un nuevo modelo, basado en un método de aprendizaje profundo, que puede ayudar a los investigadores a predecir el comportamiento de sistemas caóticos. Crédito:Chakrabarty Lab
Si se libera un gas venenoso en un ataque de bioterrorismo, la capacidad de predecir el camino de sus moléculas, a través de vientos turbulentos, cambios de temperatura y flotabilidad inestable, podrían significar la vida o la muerte. Comprender cómo crecerá y cambiará una ciudad en un período de 20 años podría conducir a una planificación más sostenible y viviendas asequibles.
Derivar ecuaciones para resolver tales problemas, sumando todas las fuerzas relevantes, es, a lo mejor, difícil hasta el punto de casi imposibilidad y, lo peor, realmente imposible. Pero el aprendizaje automático puede ayudar.
Usando el movimiento de partículas de aerosol a través de un sistema en flujo, investigadores de la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis han ideado un nuevo modelo, basado en un método de aprendizaje profundo, que puede ayudar a los investigadores a predecir el comportamiento de sistemas caóticos, si esos sistemas están en el laboratorio, en el pasto o en cualquier otro lugar.
"Esa es la belleza de los aerosoles, "dijo Rajan Chakrabarty, profesor asistente de energía, ingeniería ambiental y química. "Va más allá de una disciplina, son solo partículas fundamentales que flotan en el aire y solo observas el caos ".
La investigación se publicó como artículo de portada en el Revista de ciencia de aerosoles .
Chakrabarty y su equipo, el investigador postdoctoral Pai Liu y Jingwei Gan, luego un Ph.D. candidato en el Instituto de Tecnología de Illinois:probó dos métodos de aprendizaje profundo y determinó que la red generativa de confrontación producía los resultados más precisos. Este tipo de IA se alimenta primero con información sobre un proceso del mundo real, luego, basado en esos datos, crea una simulación de ese proceso.
Motivado por la teoría de juegos, una red generativa de adversarios recibe tanto la verdad básica (real) como los datos generados aleatoriamente (falsos) e intenta determinar cuál es real y cuál es falso.
Este proceso se repite muchas veces, proveer retroalimentacion, y el sistema en su conjunto mejora continuamente en la generación de coincidencia de datos en los que fue entrenado.
Es computacionalmente costoso describir el movimiento caótico de una partícula de aerosol a través de un sistema turbulento, por lo que Chakrabarty y su equipo necesitaban datos reales, un ejemplo real, para entrenar su sistema. Aquí es donde entraron los aerosoles.
El equipo usó la llama opuesta a la flotabilidad en el laboratorio de Chakrabarty para crear ejemplos en los que se podría entrenar a la IA. "En este caso, añadimos experimentalmente el caos a un sistema mediante la introducción de diferencias de flotabilidad y temperatura, "Chakrabarty dijo. Entonces, encendieron una cámara de alta velocidad y registraron conjuntos de datos de trayectoria en 3-D para las partículas de hollín a medida que avanzaban, dio la vuelta y disparó a través de la llama.
Entrenaron dos tipos de modelos de inteligencia artificial con los datos de la cámara de fuego:el método de autocodificador variacional y una red generativa adversaria (GAN). Luego, cada modelo produjo su propia simulación. Solo las trayectorias de la GAN reflejaron los rasgos estadísticos encontrados en los experimentos, produciendo simulaciones reales de partículas de aerosol caóticas.
El modelo de aprendizaje profundo de Chakrabarty puede hacer más que simular dónde hay hollín, o productos químicos, terminará una vez liberado a la atmósfera. "Ves muchos ejemplos de este tipo de caos, de buscar animales, al transporte de contaminantes atmosféricos y amenazas biológicas, a las estrategias de búsqueda y rescate, " él dijo.
De hecho, el laboratorio ahora está trabajando con un psiquiatra que analiza la eficacia del tratamiento en niños con síndrome de tic. "Los tics son caóticos, "Chakrabarty explicó, por lo que la configuración típica de un ensayo clínico puede no ser eficaz para determinar la eficacia de un medicamento.
La amplia aplicación de este nuevo modelo de aprendizaje profundo habla no solo del poder de la inteligencia artificial, pero también puede decir algo más destacado sobre la realidad.
"Caos, u orden, depende del ojo del espectador, ", dijo." Lo que esto te dice es que hay ciertas leyes que gobiernan todo lo que nos rodea. Pero están ocultos.
"Solo tienes que descubrirlos".