ما الذي حدث
طوّر فريق في مختبر أنظمة المعلومات والقرار (LIDS) في MIT طريقة تمنع نماذج التعلم الآلي للأنظمة الفوضوية، ومنها الطقس والمناخ والتدفقات المضطربة، من إنتاج تنبؤات مستحيلة فيزيائيًا، بحسب ما نقلته MIT News. والورقة البحثية، المنشورة في مجلة Proceedings of the National Academy of Sciences، من إعداد طالب الدراسات العليا Sunbochen Tang والأستاذين Navid Azizan وThemistoklis Sapsis.
في هذه الطريقة يتعلّم النموذج دالة شبيهة بالطاقة إلى جانب حدّ يُفترض أن يحتوي سلوكه الفوضوي. وتفرض طبقة إسقاط مضافة تبديد الطاقة كقيد صارم، بحيث يتعيّن على الكمية الشبيهة بالطاقة أن تنخفض ما وراء ذلك الحد، فتُسحب المحاكاة إلى الداخل مجددًا. ويقول الفريق إن ذلك يوفّر ضمانًا نظريًا بأن تظل التنبؤات محدودة على آفاق تنبؤ بأي طول.
وفي اختبارات على أنظمة فيزيائية معروفة، من أمثلة بسيطة في الكتب الدراسية إلى أنظمة معقدة متعددة الأبعاد، تتبّع النهج النتائج الحقيقية عن كثب، بينما سرعان ما انحرفت الطرق التقليدية. والشيفرة مفتوحة المصدر متاحة مع الورقة البحثية. وقال Azizan إن الطبقة لا تتقيّد بنوع محدد من النماذج. وقال Tang إن الفريق يعتزم لاحقًا تجربتها على نماذج مبنية على البيانات للطقس الواقعي. ونالت ورقة لاحقة لأعضاء من الفريق جائزة أفضل ورقة بحثية في مؤتمر Learning for Dynamics and Control هذا العام.
السياق
تتسم الأنظمة الفوضوية بحساسية شديدة لظروفها الابتدائية، ويمكن أن تتراكم الأخطاء الصغيرة في النماذج المتعلَّمة حتى تنمو المخرجات بلا حدود. وقال Tang إن الحلول السابقة اعتمدت على عقوبات أو حوافز أثناء التدريب، وهي لا تقدّم أي ضمان بمجرد أن يواجه النموذج مدخلات جديدة. وأضاف أن مجرد تحديد سقف للقيم عند حدود اعتباطية قد يمنع النموذج من تعلّم الخصائص المعقدة من البيانات.
الموجز
أسبوع التقنية في رسالة واحدة.
التقارير التي تستحق وقتك، كل أسبوع. يمكنك إلغاء الاشتراك في أي وقت.
