Возможно, вы слышали, что закрылки крыльев бабочки в Бразилии могут вызвать полномасштабный торнадо в Техасе - явление, получившее популярность как эффект бабочки. Что ж, хотите верьте, хотите нет, обратная связь с задержкой по времени в изобилии в климате - и вы наверняка видели некоторые из них. Если в вашем городе метель, то в соседних на какое-то время похолодание. Климатические модели, такие как Эль-Ниньо, назревают в течение нескольких месяцев, а их последствия распространяются по всей планете на несколько месяцев дольше. Помните эпоху, когда динозавры вымерли? Если вы думали, что мы живем в лучшие времена, вот видео для вас, в котором объясняется, как пепел от лесных пожаров, вызванных засухой, способствует усиленному таянию льда и снега, создавая тем самым петлю обратной связи, которая толкает климатическую систему в направление потепления . Если мы хотим понять последствия вмешательства человека в климат в долгосрочной перспективе, нам необходимо выявить все такие отсроченные обратные связи и изучить их влияние на глобальный климат. Но как нам это сделать?
Это вопрос, который не является уникальным для науки о климате, на самом деле существует множество других мест в природе и обществе, где важны сети обратной связи. Вот особенно забавная анимация о петлях обратной связи и о том, как они важны для выживания экосистем.
Таким образом, общая техника, полезная для отслеживания таких петель обратной связи, будет применима ко всем, и именно это и делает новая статья. Недавно вышедший из группы ученых Университета Мэриленда по теории хаоса, от авторов, таких как теоретик хаоса Эдвард Отт, известный своими укрощением и предсказанием хаоса, и экспериментатор Раджарши Рой, известный выращиванием маленьких химер в лаборатории, В статье основное внимание уделяется общей методике на основе ИИ для вывода таких сетей обратной связи с задержкой по данным.
Идея состоит в том, чтобы использовать двухэтапную технику. Рисунок ниже рассказывает об этом более подробно.
Сначала они обучают программное обеспечение ИИ на данных, поступающих из системы. Данные относятся к определенному типу - они называются «данными временных рядов» - и это могут быть температуры в разных городах в разное время, популяции разных видов в разные годы и т. Д. Затем обученная настройка ИИ может имитировать поведение временного ряда (например, если он будет обучен на данных срабатывания группы нейронов, он научится запускать самостоятельно), и в процессе , дает хорошую компьютерную модель исходной системы (это может быть климат, экосистема или что-то еще, на чем она была обучена). На следующем этапе исследователи просто аналитически посмотрели на модель и обнаружили внутри нее все петли обратной связи. В конце концов, модель находится в вашем компьютере, и вы можете играть с ней сколько угодно, пока не поймете полностью!
Исследователи также проверили эту идею на некоторых данных эксперимента с электроникой в своей лаборатории и показали, что она работает. Сейчас они надеются использовать его для получения естественных данных, таких как те, которые вы записываете, когда изучаете изменение климата или нейробиологию. Раскроет ли их работа какую-нибудь тайну связи с климатом? Что ж, время покажет.
Ссылка
- Машинное обучение Link Inference для зашумленных сетей с запаздыванием и оптоэлектронными экспериментальными тестами, Амитава Банерджи, Джозеф Д. Харт, Раджарши Рой и Эдвард Отт, Phys. Ред. X 11, 031014 (2021 г.) , https://doi.org/10.1103/PhysRevX.11.031014
