MIT روشی برای مهار خطای مدل های AI در سامانه های آشوبناک ارائه کرد
پژوهشگران MIT روشی ارائه کردند که مدل های یادگیری ماشین برای سامانه های آشوبناک مانند آب وهوا را از پیش بینی های غیرممکن فیزیکی بازمی دارد.
خلاصه در یک نگاه
- پژوهشگران آزمایشگاه LIDS در MIT قیدهای فیزیکی سخت گیرانه ای برای مدل های یادگیری ماشین سامانه های آشوبناک تعریف کرده اند.
- روش جدید تضمین می کند پیش بینی مدل در بازه های زمانی بسیار طولانی هم کران دار و از نظر فیزیکی ممکن بماند.
- مدل یک تابع شبیه انرژی و یک مرز یاد می گیرد و یک لایه تصویر اتلاف انرژی را الزامی می کند.
- مقاله در PNAS منتشر شده و کد متن باز آن در دسترس است.
پژوهشگران آزمایشگاه سامانه های اطلاعات و تصمیم گیری (LIDS) در MIT روشی ساخته اند که مدل های یادگیری ماشین را از تولید پیش بینی های غیرممکن فیزیکی بازمی دارد. این روش برای سامانه های آشوبناکی مانند آب وهوا، اقلیم و جریان های متلاطم در هوانوردی و اقیانوس ها طراحی شده است. نتایج در مجله Proceedings of the National Academy of Sciences (PNAS) منتشر شده است.
مشکل رانش مدل ها در پیش بینی بلندمدت
مدل سازی فرایندهای پیچیده و آشوبناک در سال های اخیر پیشرفت زیادی کرده است. با این حال، چنین مدل هایی با گذشت زمان به پیش بینی هایی میل می کنند که از نظر فیزیکی ممکن نیست.
ناوید عزیزان (Navid Azizan)، استاد دانشکده مهندسی مکانیک MIT و پژوهشگر ارشد LIDS، توضیح می دهد که یک مدل ممکن است در بازه کوتاه با داده ها هم خوان باشد، اما در اجرای طولانی شکست بخورد. به گفته او، خطاهای کوچک انباشته می شوند و شبیه سازی به مقادیری می رسد که بی نهایت رشد می کنند. عزیزان تأکید می کند: «آشوب یعنی هر چیزی ممکن نیست. این سامانه ها معمولاً کران دار می مانند و مدل هایشان هم باید چنین باشند.»
قید انرژی محور و لایه تصویر
روش های پیشین معمولاً در مرحله آموزش جریمه یا پاداش اعمال می کردند. سونبوچن تانگ (Sunbochen Tang)، دانشجوی دکتری و نویسنده اصلی مقاله، می گوید این قیدها فقط هنگام آموزش اثر دارند. به همین دلیل تضمینی وجود ندارد که مدل هنگام استفاده و مواجهه با ورودی های تازه از آن ها پیروی کند. سقف دلخواه برای کمیت های فیزیکی هم راه حل خوبی نیست. مثلاً محدود کردن دما به ۱۰۰ درجه می تواند مانع یادگیری ویژگی های پیچیده از داده شود.
تیم MIT به جای این کار قیدهای انرژی محور تعریف کرده است. مدل دو چیز را یاد می گیرد:
- یک تابع شبیه انرژی
- مرزی که رفتار آشوبناک باید درون آن بماند
سپس یک لایه تصویر (projection layer) به مدل اضافه می شود. این لایه نحوه تکامل پیش بینی شده سامانه را چنان تنظیم می کند که اتلاف انرژی به صورت قید سخت اعمال شود. بیرون از مرز، کمیت شبیه انرژی باید کاهش یابد و سامانه شبیه سازی شده به ناحیه کران دار بازگردد. به گفته تانگ، این ساختار تضمین نظری می دهد که پیش بینی در بازه های زمانی دلخواه طولانی کران دار بماند.
عزیزان تفاوت اصلی را «قید سخت» در برابر «قید نرم» می نامد. در روش جدید خروجی مدل حتی برای موردی کاملاً تازه هم از نظر فیزیکی سازگار است. به گفته پژوهشگران، این نخستین کاری است که چنین تضمین رسمی ای را برای مدل های یادگیری ماشین سامانه های آشوبناک ایجاد می کند.
آزمایش ها و گام های بعدی
تیم، روش را روی سامانه های فیزیکی شناخته شده گوناگون آزمود. این سامانه ها از نمونه های ساده کتاب های درسی تا سامانه های بسیار پیچیده چندبعدی را شامل می شدند. نتایج روش جدید با خروجی واقعی هم خوانی نزدیک داشت، اما روش های متعارف خیلی زود به پیش بینی های غیرممکن رسیدند.
تانگ می گوید لایه تصویر مدولار است و با معماری های مختلف شبکه عصبی کار می کند. پژوهشگران قصد دارند آن را روی سامانه های بزرگ تر آزمایش کنند و بررسی کنند روی مدل های داده محور سامانه های واقعی آب وهوا چقدر خوب عمل می کند. مقاله و کد متن باز آن در PNAS در دسترس است. کار پیگیری ای از اعضای همین تیم نیز در کنفرانس Learning for Dynamics and Control ارائه شد و جایزه بهترین مقاله کنفرانس را گرفت.
چرا این خبر مهم است؟
مدل های هوش مصنوعی در حوزه هایی مانند تصویر و متن، که داده فراوانی دارند، عملکرد درخشانی دارند. عزیزان یادآوری می کند که برای بسیاری از سامانه های فیزیکی داده به این اندازه فراوان نیست. در این موارد، خود قوانین فیزیک منبع اطلاعات دیگری است و قیدهای فیزیکی می توانند کمک زیادی کنند.
این روش می تواند اعتماد به مدل ها را در کاربردهایی مثل پیش بینی آب وهوا، فرایندهای صنعتی، هوانوردی و هیدرولوژی بالا ببرد. تلاطم جریان ها می تواند سفرهای هوایی را مختل کند، کارایی توربین های بادی را کم کند و مصرف سوخت خودروها را بالا ببرد. ساپسیس (Themistoklis Sapsis)، استاد مهندسی مکانیک و از نویسندگان مقاله، می گوید این رویکرد راه را برای استفاده از پیشرفته ترین معماری های یادگیری ماشین در پیش بینی و کنترل مسائل واقعی باز می کند، حتی مسائلی که ناپایداری ذاتی دارند.
عزیزان هدف گسترده تر را این می داند که اصول فیزیکی بخشی از شیوه ساخت مدل های هوش مصنوعی شوند، نه فقط شیوه آزمودن آن ها. به گفته او، در کاربردهای پرمخاطره فقط شواهد کارکرد معمول مدل کافی نیست و به تضمین برای ویژگی هایی نیاز است که همیشه باید برقرار بمانند.
منابع
این خبر بر پایه منابع بالا، با کمک هوش مصنوعی به فارسی بازنویسی و توسط تحریریه برتر AI منتشر شده است. برای جزئیات کامل به منبع اصلی مراجعه کنید.