پیش‌بینی رویداد‌های فاجعه‌بار با کمک یادگیری ماشینی
تاریخ انتشار: ۸ بهمن ۱۴۰۱ | کد خبر: ۳۶۹۵۶۷۰۸
به گزارش خبرگزاری صدا و سیما، از «سای تک دیلی»، زمانی که پیش بینی فجایع ناشی از رویداد‌های بزرگ مانند زمین‌لرزه و پاندمی مطرح می‌شود، مدل‌سازی محاسباتی با یک چالش بزرگ رو به رو می‌شود. به لحاظ آماری، این رویداد‌ها نادر محسوب می‌شوند و از این رو داده‌های کافی درباره آنها وجود ندارد که بتوان از آنها در مدل‌های پیش بینی کننده استفاده کرد.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمی‌شوند!
با این حال محققان دانشگاه «براون» و موسسه فناوری ماساچوست می‌گویند لازم نیست کار به این صورت انجام شود. این محققان در مطالعه‌ای که در نشریه «ارتباطات طبیعت» منتشر شده است توضیح می‌دهند که چگونه از الگوریتم‌های آماری استفاده کرده‌اند که برای پیش‌بینی صحیح نیازمند داده‌های کمتری هستند. این الگوریتم‌های آماری در ترکیب با یک روش نیرومند یادگیری ماشینی به کار گرفته شدند. این ترکیب به محققان اجازه داد تا با وجود نداشتن داده‌های تاریخی بتوانند سناریو‌ها، احتمالات و حتی چارچوب‌های زمانی رویداد‌های نادر را پیش بینی کنند.
این گزوه تحقیقاتی دریافت این چارچوب جدید می‌تواند راهی برای دور زدن نیاز به حجم عظیم داده‌های مورد نیاز برای این قبیل محاسبات ارائه کند. از این منظر، پیش‌بینی رویداد‌های نادر از یک کار کمّی به یک کار کیفی تبدیل می‌شود.
این محققان برای غلبه بر چالش کمبود داده‌های موجود، از یک روش نمونه‌گیری متوالی (sequential sampling technique) موسوم به «یادگیری فعال» استفاده کردند. این نوع از الگوریتم‌های آماری نه تنها قادر به آنالیز داده‌های ورودی به آنها هستند، بلکه مهمتر اینکه می‌توانند از این اطلاعات ورودی بیاموزند و داده‌های جدید را برچسب‌گذاری کنند و در سطح بنیادی اجازه می‌دهند با داده کمتر کار بیشتری انجام شود.
این مدل یادگیری ماشینی موسوم به «دیپ‌وانت» (DeepOnet) نوعی از شبکه عصبی مصنوعی است که از منحنی‌های به هم پیوسته در لایه‌های پیاپی مشابه پیوستگی نورون‌ها در مغز انسان استفاده می‌کند.
«دیپ‌وانت» به عنوان اپراتور عصبی عمیق شناخته شده که پیشرفته‌تر و قوی‌تر از شبکه‌های عصبی مصنوعی است؛ چرا که در واقع دو شبکه عصبی در یک شبکه است که داده‌ها را در دو شبکه موازی پردازش می‌کند. این مساله به این مدل اجازه می‌دهد مجموعه‌های عظیم داده را با سرعت بالا آنالیز کند؛ البته پس از آنکه یاد گرفت به دنبال چه چیزی می‌گردد.
این محققان دریافتند مدل ابداعی آنها عملکرد بهتری نسبت به بسیاری از مدل‌های سنتی قبلی داشته است و اعتقاد دارند این مدل چارچوبی ارائه می کند که می‌تواند همه انواع رویداد‌های نادر را بطور موثر کشف و پیش‌بینی کند. این گروه تحقیقاتی در مقاله منتشر شده توضیح می‌دهد که دانشمندان چگونه باید تجربیات و آزمایش‌های آینده را طراحی کنند تا بتوانند هزینه‌ها را به حداقل برسانند و صحت و دقت پیش بینی را افزایش دهند.
منبع: خبرگزاری صدا و سیما
کلیدواژه: رویداد ها پیش بینی داده ها
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.iribnews.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «خبرگزاری صدا و سیما» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۶۹۵۶۷۰۸ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
یک عملکرد غیرمنتظره در مخچه کشف شد
دانشمندان خبر از کشف یک عملکرد غیرمنتظره در مخچه انسان که «مغز کوچک» نیز نامیده می‌شود، داده‌اند.
به گزارش ایسنا، مخچه(cerebellum) با نامی که در زبان لاتین به معنای «مغز کوچک» است، تنها ۱۰ درصد از کل جرم مغز انسان را تشکیل می‌دهد. با این حال نباید اجازه داد اندازه کوچک آن ما را فریب دهد، چرا که بیش از سه چهارم نورون‌های مغز در این فضای کوچک جمع شده‌اند و چیزهای زیادی داخل آن اتفاق می‌افتد.
به نقل از اس‌ای، از قدیم این گونه تصور می‌شود که این قسمت از سیستم عصبی که در پایه جمجمه قرار دارد، بیشتر به هماهنگ کردن عملکردهای حرکتی مانند تعادل و حرکت مربوط می‌شود. اکنون تحقیقات جدید از فرضیه‌ای حمایت می‌کند که در حال اعتبار گرفتن است. این فرضیه نقش کلیدی مخچه را در یادگیری برجسته می‌کند.
پژوهشگران دانشگاه پیتسبورگ و دانشگاه کلمبیا در این مطالعه جدید می‌خواستند بر اساس تحقیقات قبلی که منطقه خلفی-جانبی مخچه را به عنوان نقشی در اتصال آنچه می‌بینیم به حرکاتی که انجام می‌دهیم، شناسایی کنند.
آندریا بوستان، نوروبیولوژیست دانشگاه پیتسبورگ می‌گوید: فرض دیرینه درباره عملکرد مخچه این بوده است که تنها نحوه حرکت ما را کنترل می‌کند. با این حال ما اکنون می‌دانیم که بخش‌هایی از مخچه وجود دارد که به هم متصل هستند و به نظر می‌رسد که همراه با مناطقی از مخ تکامل یافته‌اند که نحوه تفکر ما را کنترل می‌کنند.
این تیم به میمون‌ها آموزش دادند که دست چپ یا دست راست خود را در پاسخ به تصاویر روی صفحه حرکت دهند و هنگامی که حرکات را درست انجام می‌دهند، به عنوان پاداش آبمیوه دریافت می‌کردند.
استفاده از داروها برای از کار انداختن موقت قسمت خلفی-جانبی مخچه میمون‌ها به طور قابل توجهی بر یادگیری آنها تأثیر گذاشت. حیوانات حتی با پاداش آبمیوه، به سختی به یاد می‌آوردند که قرار بود کدام دستشان را در واکنش به تصویر حرکت دهند. با این حال، آن یادگیری که قبلاً حاصل شده بود، هنوز قابل یادآوری بود.
بوستان می‌گوید: وقتی این ناحیه مخچه را غیرفعال می‌کنید، در واقع یادگیری جدید را مختل می‌کنید. یادگیری در این حالت بسیار کندتر است، بیشتر طول می‌کشد و عملکرد به سطح قبلی نمی‌رسد. این یک مثال عینی از عملکرد مخچه است که از اطلاعات پاداش برای شکل دادن به عملکرد شناختی در پستانداران استفاده می‌کند.
آزمایش‌های بیشتر نشان داد که عملکرد حرکات تحت تأثیر خارج شدن مخچه خلفی-جانبی قرار نمی‌گیرد و به نظر می‌رسد خاموش کردن سایر قسمت‌های مخچه هیچ تفاوتی در روند یادگیری نداشته باشد.
همه اینها اطلاعات اضافی مهمی هستند تا بفهمیم مغز چگونه کار می‌کند و چگونه با دنیای اطراف سازگار می‌شود و همچنین چگونه بهتر می‌توانیم با شرایط ناشی از اختلال عملکرد طبیعی مغز مقابله کنیم.
بوستان می‌گوید: پژوهش ما شواهد روشنی ارائه می‌دهد که مخچه نه تنها برای یادگیری نحوه انجام اعمال ماهرانه مهم است، بلکه برای یادگیری اینکه کدام اعمال در موقعیت‌های خاص ارزشمندتر هستند نیز نقش مهمی ایفا می‌کند.
این پژوهش به توضیح برخی از مشکلات غیر حرکتی در افراد مبتلا به اختلالات مخچه کمک می‌کند.
این مطالهه در مجله Nature Communications منتشر شده است.
انتهای پیام
گزارشگر قديمى راديو دار فانى را وداع گفت