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

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

El estudio, publicado hoy en la revista Chaos:An Interdisciplinario Journal of Nonlinear Science , utiliza un algoritmo nuevo y altamente eficiente que, cuando se combina con la computación de reservorios de última 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:pronosticar el comportamiento de un modelo meteorológico atmosférico. En comparación con los algoritmos de aprendizaje automático tradicionales 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; Si bien la solución de problemas informáticos complejos anteriormente requería 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 sustancial en términos de eficiencia de procesamiento de datos y precisión de predicción en el campo del aprendizaje automático", dijo Wendson De Sa Barbosa, autor principal e investigador postdoctoral en física en el estado de Ohio. Dijo que aprender a predecir estos sistemas extremadamente caóticos es un "gran desafío de la física", y comprenderlos podría allanar el camino hacia nuevos descubrimientos y avances científicos.

"Los algoritmos modernos de aprendizaje automático son especialmente adecuados para predecir sistemas dinámicos mediante el aprendizaje de sus reglas físicas subyacentes utilizando datos históricos", dijo De Sa Barbosa. "Una vez que tenga suficientes datos y poder computacional, puede hacer predicciones con modelos de aprendizaje automático sobre cualquier sistema complejo del mundo real". Dichos sistemas pueden incluir cualquier proceso físico, desde la sacudida del péndulo de un reloj hasta interrupciones 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. Eso significa que esta investigación podría usarse algún día para brindar una mejor comprensión del control y la interpretación de las enfermedades cardíacas, así como una serie de otros problemas del "mundo real".

"Si uno conoce las ecuaciones que describen con precisión cómo evolucionarán estos procesos únicos para un sistema, entonces su comportamiento podría 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 mucho más difíciles de prever debido a la cantidad de variables que dictan activamente su comportamiento caótico.

Para hacer predicciones precisas de todo el sistema, los científicos tendrían que tener información precisa sobre cada una de estas variables y las ecuaciones del modelo que describen cómo se relacionan estas muchas variables, lo cual es completamente imposible, dijo De Sa Barbosa. Pero con su algoritmo de aprendizaje automático, los casi 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, sin dejar de lograr la misma o mejor precisión.

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

"Vivimos en un mundo del que todavía sabemos muy poco, por lo que es importante reconocer estos sistemas de alta dinámica y aprender a predecirlos de manera más eficiente". + Explora más

Avance informado en la química cuántica mejorada con aprendizaje automático