Ученые предложили подходы «сильного» и «слабого» предсказания для прогноза поведения стохастических систем с помощью нейросетей. Авторы установили, когда возможно точно рассчитать будущие значения параметра системы, а в каких условиях это невозможно, но можно делать «слабый» прогноз — предсказывать вероятность определённого поведения системы. Режим «слабого» предсказания с использованием нейросетей применим для таких стохастических систем, как нейронные сети, что важно для разработки интерфейсов «мозг-компьютер», а также в прогнозировании финансовых рынков и климатических изменений. Результаты исследования… поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Chaos.
Андрей Андреев и Никита Кулагин работают над исследованием.
Некоторые системы в реальности (финансовые рынки, геофизические и климатические системы, системы управления) постоянно подвергаются воздействию непослушного шума. Это делает их функционирование почти непредсказуемым. Например, на нейроны головного мозга действуют случайные колебания, как и на лазеры. Поведение таких стохастических систем нельзя вычислить математически, но можно попытаться предугадать его, собрав большие объемы данных о шумах и их частоте появления. Для этого применяют алгоритмы искусственного интеллекта. Лучше всего подходят для этой задачи рекуррентные нейронные сети — модели, приспособленные к обработке последовательностей. Однако точно предсказать поведение стохастической системы до сих пор сложно из-за учета внешних случайных воздействий.
Ученые из Балтийский федеральный университет имени И. Канта (Калининград) и Мадридского политехнического университета (Испания) выделили Существуют две категории предсказания: сильное и слабое. Сильный прогноз представляет собой построение точного пути движения модели или системы. К примеру, с помощью сильного прогноза можно определить интенсивность работы эрбиевого лазера в конкретный момент. Данная информация необходима для расчета точных значений его мощности через определенный промежуток времени под воздействием случайного сигнала.
Слабое предсказание определяет вероятность различных состояний системы, а не точное поведение. Например, можно рассчитать вероятность того, что интенсивность лазера в течение следующих трех минут превысит заданное значение. Для сильного прогнозирования требуется полная информация о шуме, что часто недоступно. Слабое предсказание базируется на статистических характеристиках шума, что позволяет вычислить вероятность получения конкретного результата без знания всей информации о нем.
Авторы подавали в рекуррентную нейронную сеть данные о характеристиках работы эрбиевого лазера и внешнем источнике шума. Выполняя резервуарные вычисления с помощью нейросетей, авторы проверили режимы сильного и слабого предсказания интенсивности лазера через несколько секунд. Точное предсказание достигалось лишь в небольшом диапазоне интенсивности шума, а слабый прогноз осуществлялся практически во всем исследуемом диапазоне значений. С использованием слабого предсказания зона прогнозирования увеличивалась в 2,5 раза. Ученые повторили эксперимент на биологических нейронах, находящихся под внешним случайным воздействием, и подтвердили результат.
Исследователи доказали эффективность моделей слабого предсказания по сравнению с «сильными». Это открывает возможности в финансовой аналитике для прогнозирования цен акций и других инструментов, подверженных случайным воздействиям; в изучении активности нейронных сетей для создания интерфейсов «мозг-компьютер»; а также в прогнозировании климатических явлений.
Результаты предоставляют мощную основу для решения проблем в нейронауке, лазерной физике, интеллектуальных системах автономных устройств и др. С их помощью можно разрабатывать более эффективные системы управления и повышать точность прогнозирования. Например, сильное или слабое предсказание активности мозга позволит выявлять нарушения в его работе и заболевания, а также будет полезно для создания интерфейсов “мозг-компьютер”. В частности, слабое предсказание может помочь. Предсказывать особенности шума в сигналах мозга и более точно различать различные шаблоны активности мозга. — говорит Никита Кулагин, студент, лаборант-исследователь Балтийского центра нейротехнологий и искусственного интеллекта Балтийского федерального университета имени Иммануила Канта, участник проекта, поддержанного грантом РНФ.
В будущем исследователи изучат возможности применения данного подхода для создания цифровых аналогов стохастических систем в рамках более обширной группы сложных объектов.
Пресс-служба Российского научного фонда предоставила информацию и фотографии.