Предугадать действительность

Ученые предложили подходы сильного и слабого предсказания, чтобы прогнозировать поведение стохастических, то есть случайных, систем с помощью нейросетей. Авторы определили, когда удается точно рассчитывать будущие значения какого-либо параметра системы, а в каких условиях такое прогнозирование невозможно, но можно делать слабый прогноз — предсказать вероятность того или иного поведения системы. Режим слабого предсказания с использованием нейросетей можно применять для таких стохастических систем, как нейронные сети, что важно для разработки интерфейсов «мозг—компьютер», а также в прогнозировании финансовых рынков и климатических изменений. Исследование поддержано грантом Российского научного фонда.

Выйти из полноэкранного режима

Развернуть на весь экран

Некоторые системы, которые мы встречаем в реальной жизни (финансовые рынки, геофизические и климатические системы, системы управления и другие), постоянно подвергаются воздействию неконтролируемого шума. Это означает, что они функционируют практически непредсказуемо. Например, на нейроны головного мозга воздействуют в том числе случайные флуктуации (колебания), как и на лазеры. Поведение таких стохастических, то есть функционирующих случайно, систем нельзя вычислить математически, но его можно попробовать предугадать, собрав большие массивы данных об источниках шумов и частоте их появления. Для этого сегодня используют алгоритмы искусственного интеллекта. Лучше всего для такой цели подходят рекуррентные нейронные сети — модели, которые приспособлены к обработке последовательностей. Однако точно предсказывать, как будет вести себя стохастическая система, они до сих пор не могли из-за того, что учесть внешние случайные воздействия сложно.

Ученые из Балтийского федерального университета имени Иммануила Канта (Калининград) и Мадридского политехнического университета (Испания) выделили две категории предсказания — сильное и слабое. Сильный прогноз — это составление четкой траектории, по которой будет двигаться модель или система. Например, с помощью сильного прогноза можно рассчитать, какой будет интенсивность эрбиевого лазера в определенный момент. Это нужно знать, чтобы вычислить конкретные значения его мощности через определенный промежуток времени за счет воздействия случайного сигнала.

Выйти из полноэкранного режима

Развернуть на весь экран

Слабое предсказание позволяет рассчитать не то, как будет вести себя система, а какова вероятность, что она поведет себя тем или иным образом. Например, какова вероятность, что в следующие три минуты работы лазера его интенсивность будет выше, чем некая заданная величина. Для сильного прогнозирования нужно собрать все данные об источнике шума, что не всегда возможно. В случае слабого прогнозирования нужно знать не всю информацию о шуме, а только его статистические характеристики, чтобы посчитать вероятность получения того или иного результата.

Авторы подавали в рекуррентную нейронную сеть данные о характеристиках работы эрбиевого лазера и внешнем источнике шума. Выполняя резервуарные вычисления с помощью нейросетей, они проверили режимы сильного и слабого предсказания интенсивности лазера через несколько секунд. Оказалось, что точное предсказание достигается лишь в небольшом диапазоне интенсивности шума, в то время как слабый прогноз осуществляется практически во всем исследуемом диапазоне значений. Оказалось, что с использованием слабого предсказания зона прогнозирования увеличивается в 2,5 раза. Ученые повторили эксперимент на биологических нейронах, находящихся под внешним случайным воздействием, и подтвердили результат.

Таким образом, исследователи доказали, что модели слабого предсказания могут быть эффективнее сильных. Это будет полезно, например, в финансовой аналитике для предсказания котировок акций и других финансовых инструментов, подверженных большому числу случайных воздействий; для предсказания активности нейронных сетей, что важно для разработки интерфейсов «мозг—компьютер»; а также в прогнозировании климатических явлений.

Выйти из полноэкранного режима

Развернуть на весь экран

«Наши результаты предоставляют мощную основу для решения реальных проблем в нейронауке, лазерной физике, интеллектуальных системах для автономных устройств и в других областях. Используя их, можно разрабатывать более эффективные системы управления и повышать точность прогнозирования. Например, сильное или слабое прогнозирование активности мозга позволит выявлять различные нарушения в его работе и заболевания, а также будет полезно для создания интерфейсов “мозг—компьютер”. В частности, слабое предсказание может помочь прогнозировать характеристики шума в сигналах мозговой активности и точнее отличать один паттерн мозговой активности от другого»,— рассказывает участник проекта, поддержанного грантом РНФ, Никита Кулагин, студент, лаборант-исследователь Балтийского центра нейротехнологий и искусственного интеллекта Балтийского федерального университета имени Иммануила Канта.

Авторы планируют исследовать применимость предложенного подхода на более широком классе сложных систем, чтобы создать цифровые двойники стохастических систем.

Подготовлено при поддержке Российского научного фонда
Использованы материалы статьи