Исследователи из Университета Техаса в Остине сравнили современные методы прогнозирования на огромном наборе данных из 135 хаотических систем. Результаты обещают улучшение прогнозирования сложных систем. #ИИ
Наука предсказания хаотических систем находится на захватывающем пересечении физики и информатики. Это направление исследует понимание и прогнозирование непредсказуемой природы систем, где небольшие начальные изменения могут привести к значительно различным результатам. Это область, где преобладает эффект бабочки, вызывающий вызов традиционным представлениям о предсказуемости и порядке.
Основной вызов в этой области заключается в непредсказуемости, присущей хаотическим системам. Прогнозирование этих систем сложно из-за их чувствительной зависимости от начальных условий, что делает долгосрочные прогнозы крайне сложными. Исследователи стремятся найти методы, способные точно предвидеть будущие состояния таких систем, несмотря на их врожденную непредсказуемость.
Ранее подходы к прогнозированию хаотических систем в основном сосредотачивались на моделях, специфичных для области и основанных на физике. Эти модели, основанные на понимании основных физических процессов, были традиционными инструментами для решения сложностей хаотических систем. Однако их эффективность часто ограничивается сложной природой систем, которые они пытаются предсказать.
Исследователи из Университета Техаса в Остине представляют новый спектр моделей, не зависящих от области и отличающихся от традиционных физических подходов. Эти модели основаны на использовании масштабных методов машинного обучения, использующих обширные наборы данных для навигации по сложностям хаотических систем без сильной зависимости от специфических знаний области.
Новая методология использует масштабные, перепараметризованные статистические модели обучения, такие как трансформаторы и иерархические нейронные сети. Эти модели используют свой обширный масштаб и доступ к обширным временным рядам данных, что позволяет им эффективно прогнозировать хаотические системы. Данный подход означает переход от зависимости от областных знаний к использованию данных для прогнозирования.
Производительность этих новых моделей заслуживает внимания. Они постоянно производят точные прогнозы на протяжении длительных периодов, далеко выходящих за традиционные горизонты прогнозирования. Этот прогресс представляет собой значительный скачок в области, демонстрируя, что способность прогнозировать хаотические системы может простираваться далеко за установленные ранее пределы.
