用人工智能预测“黑天鹅”灾难

罕见的“黑天鹅一项新的研究发现，在人工智能的帮助下，地震或大流行病等难以预测的灾难可能变得可以预测。

不寻常的事件，例如超级巨浪或森林大火可以有可怕的后果。然而，它们的罕见性意味着预测模型几乎没有历史数据来分析，以便准确预测它们在未来何时可能发生。此外，研究指出，这些事件通常似乎是由一组未知的物理条件引起的，这使得预测它们类似于“在无限维的干草堆中”找到一根针。

现在，研究人员提出了一种新的策略来克服这些挑战。它将通常依赖大量数据进行训练的人工智能与所谓的统计方法结合起来贝叶斯推理在这种情况下，先验知识有助于计算一个不确定的选择可能是正确的几率。

这种组合的目标是确定在对罕见事件进行准确预测时最有用的数据点。关键是要充分利用稀缺的数据。从本质上讲，数据点的质量可以帮助弥补数量的不足，潜在地允许用更少的资源做更多的事情。

“通常情况下，人工智能需要大量的数据才能成功，”该研究的主要作者伊森·皮克林(Ethan Pickering)说，他是马萨诸塞州剑桥市拜耳作物科学公司的机器学习研究科学家。“通过我们的方法，只需要少量精心挑选的数据就能提供准确可靠的结果。”

以前关于预测极端事件的研究主要集中在开发方程来正确地模拟引起这些事件的复杂系统。然而，皮克林说:“这些系统的控制方程对噪声和假设极其敏感，这意味着即使是精心设计的基于物理的模型也经常失败，并且不可能在实践中实现。”更糟糕的是，这些控制方程“对于我们所关心的现实生活系统来说通常是未知的，使我们没有基于物理的方法来理解这些现象。”

相反，科学家们依靠的是仅根据数据进行预测的人工智能系统。皮克林说:“人工智能提供了一个灵活的机会，可以跳过这种基于基本方程的挑战，将我们对这些系统的理解建立在观察到的事实之上。”“然而，其中的障碍在于，我们需要足够的数据让人工智能有效地理解我们要求它建模的复杂系统。”

在这项新研究中，研究人员试验了一种深度神经网络被称为DeepONet。一个神经网络它是由计算节点连接在一起，大致模仿了人脑神经元之间的联系。神经网络被称为"深的如果它拥有多层节点。

具体来说，DeepONet是一个深度神经算子。这种人工智能系统由两个神经网络合二为一，在两个并行网络中处理数据。这种架构帮助它有效地学习物理系统如何运行。

皮克林说:“使用深度神经算子的集合可以产生不确定性量化，使我们的方法工作得很好。”

科学家们观察到，他们的方法有助于分析一些罕见情况的风险，包括估计大流行期间危险病例激增的可能性，找出哪些看似良性的波浪可能导致危险的异常波浪，以及估计船只何时可能因压力而裂成两半。

皮克林和他的同事们发现，在预测这些事件时，他们的新方法优于传统的建模方法。皮克林说:“我们只是惊讶于我们的方法在我们尝试的每个系统上的效果，包括许多论文中没有描述的系统，以及非常复杂的系统。”

在未来，科学家们希望利用他们的策略来帮助预测今天的计算机模型所显示的将会随着气候变化而来的灾难。

皮克林说:“我将举一个热门的例子，因为今年，也就是2023年，我们预计厄尔尼诺Niño将引发极端天气事件，即飓风的大幅增加。”研究人员的策略与飓风的计算机模型相结合，可以帮助“有效地揭示社会在2023年必须准备的可能的灾难性场景”，“也可以用来发现最优的极端事件缓解场景，现在对应对即将到来的灾难非常有利。”

皮克林警告说，研究人员在预测气候变化灾难时面临的一个挑战是“我们感兴趣的问题是否仍然过于复杂”。“即使我们减少了理解系统所需的数据量，这些(必要的)数据量对我们来说可能仍然太多了。然而，有了非常熟练的科学家使用像我们这样的算法，我们或许能够适当降低复杂性，找到应对巨大气候挑战的可行解决方案。”

科学家们详细描述了他们的发现12月19日自然计算科学。