Kako merimo haos i zašto bismo to želeli? Zajedno, Penn inženjeri Dani S. Bassett, J. Peter Skirkanich profesor bioinženjeringa i elektrotehnike i sistemskog inženjeringa i postdoktorski istraživač Kieran Murphi koriste moć mašinskog učenja kako bi bolje razumjeli haotične sisteme, otvarajući vrata za nove analize informacija u oba teorijska modeliranja i scenariji iz stvarnog sveta.
Ljudi pokušavaju da razumeju i predvide haotične sisteme kao što su vremenski obrasci, kretanje planeta i ekologija stanovništva hiljadama godina. Dok su naši modeli nastavili da se poboljšavaju tokom vremena, uvek će ostati prepreka savršenom predviđanju.
To je zato što su ovi sistemi inherentno haotični. Ne u smislu da se plavo nebo i sunce mogu pretvoriti u grmljavinu i olujne pljuskove u sekundi, iako se to dešava, već u smislu da matematički, vremenskim obrascima i drugim haotičnim sistemima upravlja fizika sa nelinearnim karakteristikama.
„Ova nelinearnost je fundamentalna za haotične sisteme“, kaže Marfi. „Za razliku od linearnih sistema, gde informacije sa kojima počinjete da predvidite šta će se dogoditi u vremenskim tačkama u budućnosti ostaju dosledne tokom vremena, informacije u nelinearnim sistemima mogu biti izgubljene i generisane tokom vremena.
Poput telefonske igre u kojoj se informacije iz originalnog izvora gube dok putuju od osobe do osobe dok se nove reči i fraze dodaju da popune praznine, ishode u haotičnim sistemima postaje teže predvideti kako vreme prolazi. Ovo kašnjenje informacija onemogućava naše najbolje napore da precizno predvidimo vremenske prilike za više od nekoliko dana.
„Mogli biste da stavite milione sondi u atmosferu za merenje brzine vetra, temperature i padavina, ali ne možete izmeriti svaki atom u sistemu“, kaže Marfi.
„Morate imati određenu količinu nesigurnosti, koja će zatim rasti i brzo rasti. Dakle, iako bi predviđanje vremena za nekoliko sati moglo biti prilično tačno, taj rast neizvjesnosti tokom vremena onemogućava predviđanje vremena za mjesec dana od Sada.“
U svom nedavnom radu objavljenom u Phisical Reviev Letters, Murphi i Bassett su primenili mašinsko učenje na klasične modele haosa, fizičarske reprodukcije haotičnih sistema koji ne sadrže nikakav spoljašnji šum ili nesavršenosti modeliranja, kako bi dizajnirali skoro savršeno merenje haotičnih sistema za jednog dana poboljšati naše razumevanje sistema uključujući vremenske obrasce.
„Ovi kontrolisani sistemi su testne stanice za naše eksperimente“, kaže Marfi.
„One nam omogućavaju da uporedimo sa teorijskim predviđanjima i pažljivo procenimo našu metodu pre nego što pređemo na sisteme u stvarnom svetu gde su stvari neuredne i gde je mnogo manje poznato. Na kraju, naš cilj je da napravimo ‘informacione mape’ sistema u stvarnom svetu, pokazujući gde kreiraju se informacije i identifikuju koje su informacije u moru naizgled nasumičnih podataka važne.“
Prethodne studije su koristile druge vrste merenja za opis stvaranja informacija u haotičnim sistemima, kao što su eksponenti Ljapunova, koji opisuju eksponencijalnu divergenciju ili konvergenciju tačaka koje se kreću u prostoru i vremenu. Međutim, ovaj pristup zahteva ili poznavanje vodećih jednačina u određenom sistemu ili ogromne količine podataka. Koristeći mašinsko učenje, novi pristup može opisati stvaranje informacija u haotičnim sistemima sa mnogo manje podataka.
Mašinsko učenje se tradicionalno koristi za identifikaciju obrazaca u velikim skupovima podataka, a zatim za predviđanje kako će se ti podaci ponašati tokom vremena, na različitim lokacijama ili bilo kojoj drugoj promenljivoj u pitanju. U Marfijevoj studiji o haosu, on ne koristi mašinsko učenje da bi napravio predviđanja; nego koristi mašinsko učenje da obuhvati ceo haotičan sistem i svede ga na jedno merenje.
„Naše merenje je zasnovano na dubinskom učenju, algoritmu koji izvlači informacije iz svih stanja sistema u svakoj vremenskoj tački“, kaže on. „Mi smo u stanju da uzmemo ove složene sisteme i izvučemo suštinu njihove dinamike u slučajevima koji bi bili previše komplikovani da bi naša ljudska intuicija mogla da ih razdvoji i shvati.
Čuvajući što više važnih informacija i odbacujući što je moguće više nevažnih informacija, rezultirajuće merenje se približava savršenom merenju haotičnih sistema, korak bliže dizajniranju boljih merenja za vremensku prognozu i razumevanju osnovnih prepreka za predviđanje.
U svom radu, Marfi koristi mašinsko učenje da bi napravio multivarijantnu teoriju informacija, što znači da želi da razume sisteme sa više izvora informacija (što važi za skoro sve sisteme). On je generalno pregledao ove sisteme u jednom trenutku, kao u scenariju gde pacijent dolazi u ordinaciju i ima mnogo različitih testova da bi se utvrdilo njihovo zdravlje. Ali sada, sa ovim radom na haosu, Marfi razvija metode za razumevanje sistema kroz vreme, gde vreme postaje još jedna varijabla u ovoj multivarijantnoj perspektivi.
„Sa svakim sistemom koji proučavamo, gradimo moćan okvir za mapiranje informacija u podacima, što je omogućeno jedinstvenim snagama mašinskog učenja“, kaže on. „Stalno sam zadivljen dubinom uvida koji možemo da izvučemo iz podataka, i uzbuđen sam zbog novih pravaca koje otvara ovaj projekat haosa za proučavanje dinamike složenih sistema.
Rad Marfija i Baseta na haosu je takođe pokrenuo istraživanje dinamičkih sistema u ljudskom telu.
„Sposobnost razumevanja stvaranja informacija u složenim dinamičkim sistemima sada motiviše nove pristupe jednom od ključnih pitanja laboratorije: Kako mozak omogućava um?“, kaže Baset. „Dešifrovanje stvaranja informacija u ljudskom mozgu ima značajno obećanje za mentalno zdravlje i dobrobit.“
Iako potpuna izvesnost nije moguća, ljudi imaju urođenu želju da njome tragaju. Unapređenje naše sposobnosti da predvidimo i razumemo ove dinamičke sisteme ne samo da nam pomaže da se približimo toj izvesnosti, potraga i novi alati koje integrišemo u nju mogu nam pomoći da pronađemo nestandardna tumačenja obrazaca i podataka kako bismo informisali o inovativnim rešenjima. na probleme u stvarnom svetu, od prognoze vremena do medicinske dijagnostike i poboljšanja ukupnog kvaliteta našeg života.
