TX, 20/12/2022
Por Bu
Quando se trata de prever desastres causados por eventos extremos (pense em terremotos, pandemias ou "ondas traiçoeiras" que podem destruir estruturas costeiras), a modelagem computacional enfrenta um desafio quase intransponível: estatisticamente falando, esses eventos são tão raros que simplesmente não há dados suficientes sobre eles para usar modelos preditivos para prever com precisão quando eles acontecerão a seguir.
Mas uma equipe de pesquisadores da Brown University e do Massachusetts Institute of Technology diz que não precisa ser assim.
Em um novo estudo na Nature Computational Scienc, os cientistas descrevem como combinaram algoritmos estatísticos – que precisam de menos dados para fazer previsões precisas e eficientes – com uma poderosa técnica de aprendizado de máquina desenvolvida em Brown e treinada para prever cenários, probabilidades e, às vezes, até a linha do tempo de eventos raros, apesar da falta de registro histórico sobre eles.
Ao fazer isso, a equipe de pesquisa descobriu que essa nova estrutura pode fornecer uma maneira de contornar a necessidade de grandes quantidades de dados que são tradicionalmente necessários para esses tipos de cálculos, em vez de resumir o grande desafio de prever eventos raros a uma questão de qualidade sobre quantidade.
“Você precisa perceber que esses são eventos estocásticos”, disse George Karniadakis, professor de matemática aplicada e engenharia da Brown e autor do estudo. "Uma explosão de pandemia como o COVID-19, desastre ambiental no Golfo do México, um terremoto, grandes incêndios florestais na Califórnia, uma onda de 30 metros que vira um navio – esses são eventos raros e, por serem raros, não temos muitos dados históricos. Não temos amostras suficientes do passado para prever o futuro. A questão que abordamos no artigo é: quais são os melhores dados possíveis que podemos usar para minimizar o número de pontos de dados que precisamos?"
Os pesquisadores encontraram a resposta em uma técnica de amostragem sequencial chamada aprendizado ativo. Esses tipos de algoritmos estatísticos não são apenas capazes de analisar a entrada de dados neles, mas, mais importante, eles podem aprender com as informações para rotular novos pontos de dados relevantes que são igualmente ou até mais importantes para o resultado que está sendo calculado. No nível mais básico, eles permitem que mais seja feito com menos.
Isso é fundamental para o modelo de aprendizado de máquina que os pesquisadores usaram no estudo. Chamado de DeepOnet, o modelo é um tipo de rede neural artificial, que usa nós interconectados em camadas sucessivas que imitam aproximadamente as conexões feitas pelos neurônios no cérebro humano. DeepOnet é conhecido como um operador neural profundo. É mais avançado e poderoso do que as redes neurais artificiais típicas porque, na verdade, são duas redes neurais em uma, processando dados em duas redes paralelas. Isso permite que ele analise conjuntos gigantescos de dados e cenários em uma velocidade vertiginosa para gerar conjuntos igualmente massivos de probabilidades assim que aprende o que está procurando.
O gargalo dessa ferramenta poderosa, especialmente no que se refere a eventos raros, é que os operadores neurais profundos precisam de toneladas de dados para serem treinados para fazer cálculos eficazes e precisos.
No artigo, a equipe de pesquisa mostra que, combinado com técnicas de aprendizado ativo, o modelo DeepOnet pode ser treinado em quais parâmetros ou precursores procurar que levem ao evento desastroso que alguém está analisando, mesmo quando não há muitos pontos de dados.
“O objetivo não é pegar todos os dados possíveis e colocá-los no sistema, mas procurar proativamente por eventos que significarão os eventos raros”, disse Karniadakis. "Podemos não ter muitos exemplos do evento real, mas podemos ter esses precursores. Através da matemática, os identificamos, o que junto com eventos reais nos ajudará a treinar esse operador faminto por dados."
No artigo, os pesquisadores aplicam a abordagem para identificar parâmetros e diferentes faixas de probabilidades de picos perigosos durante uma pandemia, encontrar e prever ondas traiçoeiras e estimar quando um navio quebrará ao meio devido ao estresse. Por exemplo, com ondas traiçoeiras – aquelas que são maiores que o dobro do tamanho das ondas circundantes – os pesquisadores descobriram que poderiam descobrir e quantificar quando as ondas traiçoeiras se formariam observando as prováveis condições de onda que interagem não linearmente ao longo do tempo, levando a ondas às vezes três vezes maiores. seu tamanho original.
Os pesquisadores descobriram que seu novo método superou os esforços de modelagem mais tradicionais e acreditam que apresenta uma estrutura que pode descobrir e prever com eficiência todos os tipos de eventos raros.
No artigo, a equipe de pesquisa descreve como os cientistas devem projetar experimentos futuros para que possam minimizar custos e aumentar a precisão das previsões. Karniadakis, por exemplo, já está trabalhando com cientistas ambientais para usar o novo método para prever eventos climáticos, como furacões.
O estudo foi conduzido por Ethan Pickering e Themistoklis Sapsis do MIT. O DeepOnet foi introduzido em 2019 por Karniadakis e outros pesquisadores de Brown. Eles estão atualmente buscando uma patente para a tecnologia.
Artigos recomendados: ML e Tech
Fonte:https://techxplore.com/news/2022-12-machine-rare-disastrous-events-earthquakes.html
Nenhum comentário:
Postar um comentário