جعبه سیاه هوش مصنوعی ۲۰۰ برابر قوی‌تر از روش گذشته

اختصاصی شبکه علمی ثریا- براساس مطالعات انجام شده یکی از قدیمی‌ترین ابزارهای فیزیک محاسباتی یک تکنیک ریاضی 200 ساله که به آنالیز فوریه معروف است می‌تواند اطلاعات مهمی را در مورد چگونگی یادگیری یک شکل از هوش مصنوعی به نام شبکه عصبی عمیق برای انجام وظایف مربوط به فیزیک پیچیده مانند مدل‌سازی آب و هوا و آشفتگی آشکار کند. به گفته محققین این اولین چارچوب دقیق برای توضیح و راهنمایی استفاده از شبکه‌های عصبی عمیق برای سیستم‌های دینامیکی پیچیده مانند آب و هوا است. این چارچوب می تواند به طور قابل ملاحظه ای استفاده از یادگیری عمیق علمی در علم آب و هوا را تسریع کند و منجر به پیش بینی های بسیار قابل اعتمادتر تغییر آب و هوا شود.

در این تحقیق ، محققان استفاده خود از تحلیل فوریه را برای مطالعه یک شبکه عصبی یادگیری عمیق که برای تشخیص جریان های پیچیده هوا در جو  یا آب در اقیانوس و پیش بینی چگونگی تغییر آن جریان ها در طول زمان را شرح دادند. تحلیل آنها نشان داد که آنچه شبکه عصبی آموخته بود، ما را قادر ساخت که به فیزیک سیستم پیچیده ای که در حال مدل سازی بود، متصل کنیم. درک شبکه های عصبی عمیق بسیار سخت است و اغلب "جعبه سیاه" در نظر گرفته می شوند. این یکی از نگرانی‌های اصلی استفاده از شبکه های عصبی عمیق در کاربردهای علمی است. این شبکه‌ها نمی توانند برای سیستمی متفاوت از سیستمی که برای آن آموزش دیده اند کار کنند. چارچوب تحلیلی که این تیم در مقاله خود ارائه می کند جعبه سیاه را باز می کند، به آنها اجازه می دهد تا به درون آن نگاه کنند تا بفهمند شبکه ها چه چیزی را یاد گرفته اند و چرا، و همچنین به آنها اجازه می دهد آن را به فیزیک سیستمی که آموخته‌اند متصل کنند.این چارچوب می‌تواند در ترکیب با تکنیک‌های انتقال یادگیری استفاده شود تا تعمیم‌سازی را امکان‌پذیر کند و در نهایت اعتماد یادگیری عمیق علمی را افزایش دهد.

در حالی که بسیاری از مطالعات قبلی تلاش کرده بودند نشان دهند که چگونه شبکه‌های یادگیری عمیق پیش‌بینی می‌کنند، این گروه تصمیم گرفتند که از منظری متفاوت به مسئله بپردازند. آنها می‌گویند: ابزارهای رایج یادگیری ماشین برای درک شبکه‌های عصبی موفقیت چندانی برای کاربردهای سیستم‌های طبیعی و مهندسی نشان نداده‌اند، حداقل به گونه‌ای که بتوان یافته‌ها را به فیزیک متصل کرد.شعار آنها این است که "بیایید کار متفاوتی انجام دهیم. بیایید از ابزاری استفاده کنیم که برای مطالعه فیزیک رایج است و آن را در مطالعه یک شبکه عصبی که فیزیک را یاد گرفته است به کار ببریم."

این یافته‌ها پیامدهای مهمی برای یادگیری عمیق علمی دارند و حتی نشان می‌دهند که برخی از چیزهایی که دانشمندان از مطالعه یادگیری ماشین در زمینه‌های دیگر آموخته‌اند، مانند طبقه‌بندی تصاویر استاتیک، ممکن است برای یادگیری ماشین علمی کاربرد نداشته باشد. سوبل گفت: «ما دریافتیم که برخی از دانش و نتیجه‌گیری‌ها در ادبیات یادگیری ماشینی که از کار بر روی کاربردهای تجاری و پزشکی به‌دست آمده‌اند، برای مثال، برای بسیاری از برنامه‌های کاربردی حیاتی در علم و مهندسی، مانند مدل‌سازی تغییرات آب و هوا، کاربرد ندارد. . "این به خودی خود یک پیامد اصلی است."