ԱԲ-ն և եղանակային աղետները. Ինչու՞ են նեյրոնային ցանցերը սխալվում

Արհեստական բանականությունը (ԱԲ) հեղափոխություն է առաջացրել եղանակի կարճաժամկետ կանխատեսումներում՝ ապահովելով բարձր ճշգրտություն և էներգաարդյունավետություն՝ համեմատած ավանդական մոդելների հետ: Սակայն Չիկագոյի համալսարանի, Նյու Յորքի համալսարանի և Սանտա Կրուսի Կալիֆորնիայի համալսարանի գիտնականների հետազոտությունը, որը հրապարակվել է Proceedings of the National Academy of Sciences ամսագրում, բացահայտել է լուրջ թերություն. նեյրոնային ցանցերը չեն կարող կանխատեսել ծայրահեղ եղանակային երևույթներ, ինչպիսիք են 5-րդ կարգի փոթորիկները, երաշտները կամ ջրհեղեղները, եթե նման իրադարձություններ բացակայում են նրանց ուսուցողական տվյալներում:

Ինչու՞ է ԱԲ-ն «կույր» աղետների նկատմամբ

Եղանակի կանխատեսման համար օգտագործվող նեյրոնային ցանցերը վարժեցվում են պատմական տվյալների վրա՝ բացահայտելով օրինաչափություններ և կանխատեսելով ապագա պայմանները: Սակայն նրանց հնարավորությունները սահմանափակվում են անցյալում տեսածով: Եթե ուսուցողական տվյալներում բացակայում են հազվադեպ աղետների մասին տեղեկություններ, ԱԲ-ն ի վիճակի չէ կանխատեսել դրանց առաջացումը կամ մասշտաբը:

Սա ստուգելու համար գիտնականները վարժեցրել են մոդել՝ առանց 2-րդ կարգից բարձր փոթորիկների մասին տվյալների, և խնդրել են կանխատեսել 5-րդ կարգի փոթորիկ տանող պայմանները: Արդյունքը մտահոգիչ էր. մոդելը ամեն անգամ թերագնահատում էր իրադարձությունը՝ կանխատեսելով առավելագույնը 2-րդ կարգի փոթորիկ: «Այն գիտեր, որ փոթորիկ է մոտենում, բայց չէր կարող կանխատեսել դրա իրական ուժը», — պարզաբանել է հետազոտության համահեղինակ Յունցյան Սունը:

Նման սխալները կարող են աղետալի հետևանքներ ունենալ, ներառյալ մարդկային զոհեր և ենթակառուցվածքների ավերումներ, եթե իշխանությունները թերագնահատեն մոտեցող աղետի մասշտաբը:

Բարելավման հույս

Չնայած սահմանափակումներին, հետազոտությունը ցույց է տվել, որ նեյրոնային ցանցերը կարող են ճանաչել հազվադեպ երևույթներ, եթե նրանց տվյալներում առկա են նմանատիպ իրադարձություններ այլ տարածաշրջաններից: Օրինակ՝ Խաղաղ օվկիանոսի փոթորիկների վրա վարժեցված մոդելը կարող էր կանխատեսել հզոր ատլանտյան փոթորիկ: «Սա հույս է ներշնչում. ԱԲ-ն կարող է հարմարվել, եթե ունի նմանատիպ երևույթների փորձ», — նշել է Չիկագոյի համալսարանի գեոֆիզիկայի դոցենտ Պեդրամ Հասանզադեն:

Ինչպե՞ս բարելավել կանխատեսումները

Գիտնականները առաջարկում են համատեղել ԱԲ-ն ավանդական ֆիզիկական մոդելների հետ՝ ճշգրտությունը բարձրացնելու համար: Հեռանկարային մեթոդներից մեկը ակտիվ ուսուցումն է, որի դեպքում ԱԲ-ն օգնում է ստեղծել ծայրահեղ իրադարձությունների սինթետիկ սցենարներ՝ վարժանքի համար: Սա թույլ կտա նեյրոնային ցանցերին «տեսնել» հազվադեպ երևույթներ, նույնիսկ եթե դրանք բացակայում էին պատմական տվյալներում:

Մեկ այլ մոտեցում է ֆիզիկական օրենքների ինտեգրումը ԱԲ ալգորիթմներում: Սա մոդելները կդարձնի ավելի դիմացկուն անհայտ սցենարների նկատմամբ՝ բարելավելով աղետների կանխատեսման նրանց կարողությունը:

Հետազոտության նշանակությունը

Աշխատանքը ընդգծում է, որ ԱԲ-ն «կախարդական» լուծում չէ, այլ գործիք, որը պահանջում է հետագա զարգացում: «Մենք ընդամենը մի քանի տարի է, ինչ օգտագործում ենք նեյրոնային ցանցեր եղանակի համար, և նրանց ներուժը հսկայական է», — նշել է Հասանզադեն: Նրանց սահմանափակումների հասկանալը թույլ է տալիս գիտնականներին կենտրոնանալ ավելի հուսալի կանխատեսման համակարգերի ստեղծման վրա, որոնք կփրկեն կյանքեր և կնվազեցնեն բնական աղետների վնասները: