پیش‌بینی بلایا و بیماری‌های همه‌گیر در آینده به کمک هوش مصنوعی

به گزارش خبرگزاری صدا و سیما، پیش‌بینی زمان و بزرگی بلایای طبیعی برای دانشمندان یک هدف اساسی است. با این حال، از آنجایی که رخداد آن‌ها از نظر آماری بسیار نادر است، داده‌های کافی برای پیش‌بینی دقیق آن‌ها وجود ندارد. اکنون، محققان دانشگاه براون و موسسه فناوری ماساچوست می‌گویند راه‌هایی برای پیش‌بینی این رخداد‌ها با کمک هوش مصنوعی وجود دارد.

در یک مطالعه جدید، آن‌ها الگوریتم‌های آماری را که به داده‌های کمتری برای پیش‌بینی دقیق نیاز دارند با یک ابزار یادگیری ماشینی مبتنی بر هوش مصنوعی قدرتمند ترکیب کردند تا با موفقیت از نیاز به تکیه بر داده‌های بیش از حد چشم‌پوشی کنند.

"جورج کارنیاداکیس" (George Karniadakis) نویسنده این مطالعه و استاد ریاضیات کاربردی و مهندسی در دانشگاه براون گفت: باید متوجه باشید که این‌ها رویداد‌های تصادفی هستند. شیوع یک بیماری همه‌گیر مانند کووید-۱۹، فاجعه زیست محیطی در خلیج مکزیک، یک زلزله و آتش سوزی‌های عظیم در کالیفرنیا و یک موج ۳۰ متری که یک کشتی را واژگون می‌کند این‌ها رویداد‌های نادری هستند و، چون نادر هستند، ما داده‌های تاریخی زیادی در دسترس نداریم. ما نمونه‌های کافی از گذشته برای پیش‌بینی بیشتر آن‌ها در آینده نداریم. سوالی که در این مقاله به آن می‌پردازیم این است: بهترین داده ممکن که می‌توانیم از آن برای به حداقل رساندن تعداد داده مورد نیاز خود استفاده کنیم چه چیز‌هایی هستند؟

محققان این مطالعه دریافتند که استفاده از یادگیری فعال (روش نمونه گیری متوالی) راه حل این مسئله است. این الگوریتم‌ها می‌توانند داده‌های ورودی را تجزیه و تحلیل کنند و همچنین از آنچه ارائه شده است برای برچسب‌گذاری نقاط داده جدید که اهمیت برابر یا بیشتر از داده‌های گذشته دارند، بیاموزند. به عبارت دیگر، با حداقل اطلاعات می‌توان کار‌های بیشتری انجام داد. مدل یادگیری ماشینی که آن‌ها استفاده کردند DeepOnet نام دارد. DeepOnet نوعی شبکه عصبی مصنوعی است که از گره‌های به هم پیوسته و لایه‌ای استفاده می‌کند که می‌تواند اتصالات عصبی مغز انسان را تقلید کند.

شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش می‌باشد.

این سیستم چگونه رویداد‌های آینده را پیش‌بینی می‌کند؟

دو شبکه عصبی با این ابزار در یک شبکه کار می‌کنند و این امر آن را به یک منبع فوق‌العاده قدرتمند تبدیل می‌کند که می‌تواند داده‌ها را در هر دو شبکه پردازش کند. در نهایت، این امر اجازه می‌دهد تا مقادیر زیادی از داده‌ها به سرعت تجزیه و تحلیل شوند. در این کار، محققان توانستند نشان دهند که DeepOnet، همراه با تکنیک‌های یادگیری فعال، می‌تواند به‌دقت شاخص‌های یک رویداد فاجعه‌بار را بدون تعداد زیادی داده در دسترس پیش‌بینی کند.

کارنیاداکیس افزود: هدف این نیست که همه داده‌های ممکن را بگیریم و آن‌ها را در سیستم قرار دهیم، بلکه باید به دنبال رویداد‌هایی باشیم که نشانه‌ای از رویداد‌های نادر داشته باشند. ما ممکن است نمونه‌های زیادی از رویداد واقعی نداشته باشیم، اما ممکن است آن داده‌های اولیه را داشته باشیم. ما از طریق ریاضیات، آن‌ها را شناسایی می‌کنیم.

به نقل از  وبگاه اس اف، محققان حتی دریافتند که روش آن‌ها می‌تواند از مدل‌های معمولی بهتر عمل کند و اظهار کردند که چارچوب آن‌ها ممکن است سابقه‌ای برای پیش‌بینی کارآمدتر رویداد‌های طبیعی نادر داشته باشد.

یافته‌های این مطالعه در مجله "Nature Computational Science" منتشر شده است.