Китайские и американские ученые и data-science специалисты из разработали новый ИИ GAEDLLE(Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings), который изучает эволюцию систем во времени и упрощает тысячи переменных до компактных и точных уравнений.
Этот метод может применяться в физике, инженерии, климатологии и биологии, предоставляя ученым инструмент для анализа сложных систем, для которых традиционные подходы слишком сложны или отсутствуют.
GAEDLLE способен обрабатывать сложные системы, превосходящие возможности человека. Он работает с нелинейными системами, включающими сотни или тысячи взаимодействующих переменных, сводя их к более простым и компактным моделям.
«Научные открытия всегда зависели от упрощения сложных процессов», — отметил Боюань Чен, директор Лаборатории общей робототехники. Сегодня у нас много данных, но нет инструментов для их преобразования в упрощенные правила. Преодоление этого барьера крайне важно.
Пример упрощения — расчет траектории пушечного ядра. Несмотря на множество факторов, таких как начальная скорость, угол, сопротивление воздуха и температура, его можно описать линейным уравнением, учитывающим только скорость и угол.
Почти сто лет назад математик по имени Бернард Купман доказал, что сложные нелинейные системы можно описать простыми линейными моделями. Но тут загвоздка: для этого нужно сотни или тысячи уравнений, что нереально сложно анализировать.
Учёные придумали "слабый" ИИ, который крайне эффективно решает эту проблему. Он берёт данные временных рядов и находит главные закономерности в изменении системы. Нейросеть использует глубокое обучение и физические ограничения, чтобы упростить модель, оставив только самое важное. В итоге получается компактная модель, которая линейная по математике, но при этом сохраняет всю сложность реального мира.
Исследователи проверили подход на различных системах, от колебаний маятника до нелинейных электрических цепей. ИИ неизменно выявлял небольшое количество ключевых переменных, определяющих поведение системы.Во многих случаях новые модели были в 10 раз компактнее традиционных и обеспечивали надежные прогнозы.
Метод не только прогнозирует поведение, но и выявляет стабильные состояния, называемые аттракторами. Эти состояния помогают понять, как система функционирует: стабильно, медленно меняется или приближается к нестабильности.
Авторы эксперимента значительно сократили количество измерений при оценке шума квантовой системы. Они оценили ее поведение за 15 минут, тогда как классический подход занял бы 20 миллионов лет.