Новый алгоритм машинного обучения позволил ИИ наиболее точно предсказывать погоду
Расчеты этих процессов, известных как пространственно-временные хаотические системы, теперь можно выполнять за долю времени, с большей точностью, с использованием меньшего количества вычислительных ресурсов и на основе меньшего количества обучающих данных.
Машинное обучение — это способ, благодаря которому компьютерные алгоритмы используют процесс обнаружения для прогнозирования (например, будущих погодных условий) на основе больших архивов данных (например, прошлых погодных условий). Подход к т.н. «резервуарным» вычислениям пытается более точно имитировать человеческий мозг, вводя информацию в «резервуар» случайно связанных искусственных нейронов в качестве средства обнаружения полезных закономерностей. Затем результаты используются для информирования будущих циклов обучения.
Со временем эти системы стали более упорядоченными и эффективными. Одно из нововведений в машинном обучении позволило использовать разные компоненты прогностической модели параллельно. Использование такой архитектуры в сочетании с новейшими технологиями резервуарных вычислений позволяет алгоритмам выявлять потенциальные симметрии в том, что в противном случае представляло бы собой хаотичную массу информации.
Исследователи протестировали свой новый подход на модели атмосферной погоды. Используя обычный ноутбук с программным обеспечением Windows, они смогли делать прогнозы за доли секунды, для чего раньше требовался суперкомпьютер. В данном конкретном случае расчеты были произведены в 240 000 раз быстрее, чем при использовании традиционных алгоритмов.
Почему это важно
Алгоритмы машинного обучения можно использовать для прогнозирования всевозможных будущих событий, находя применение в таких обыденных областях, как добыча новых ресурсов, и в таких тревожных, как социальная инженерия.
По мере того как эти сценарии становятся все более сложными, необходимо учитывать все больше и больше переменных, что расширяет пределы вычислительных ресурсов. Системы машинного обучения способны обнаруживать закономерности в прошлых данных, которые человеческий глаз не мог бы обнаружить, а затем следить за повторением этих закономерностей. Они также могут получать информацию о себе, чтобы со временем повысить свою точность.
По словам исследователей, в будущем эти новые и улучшенные алгоритмы можно будет использовать в самых разных ситуациях, например, для отслеживания характера сердцебиения, выявления проблем со здоровьем, которые в противном случае были бы упущены.
Разработанный с помощью методов, использующих более динамичный и быстрый подход к машинному обучению, новый алгоритм улучшает прогнозирование сложных физических процессов, таких как глобальный прогноз погоды.