Khi nói đến việc dự đoán thảm họa do các sự kiện cực đoan gây ra, như động đất, đại dịch hoặc sóng thần phá hủy các công trình ven biển, mô hình tính toán phải đối mặt với một thách thức gần như không thể vượt qua. Nói theo thống kê, những sự kiện này hiếm đến mức không đủ dữ liệu để tạo các mô hình dự đoán, nhằm dự báo chính xác thời điểm chúng sẽ lặp lại.
Tuy nhiên, một nhóm các nhà khoa học từ Đại học Brown và Viện Công nghệ Massachusetts cho rằng họ có thế thay đổi điều đó với trí tuệ nhân tạo và máy học.
Trong một nghiên cứu được công bố trên tạp chí Nature Computational Science, các nhà nghiên cứu giải thích cách họ sử dụng các thuật toán thống kê đòi hỏi ít dữ liệu để đưa ra dự đoán chính xác, kết hợp với công nghệ máy học mạnh mẽ được phát triển tại Đại học Brown. Sự kết hợp này cho phép họ dự đoán các kịch bản, xác suất và thậm chí cả mốc thời gian của các sự kiện hiếm gặp mặc dù thiếu dữ liệu.
Làm như vậy, nhóm nghiên cứu đã phát hiện ra rằng sự kết hợp mới này có thể cung cấp một cách làm giảm thách thức trong việc dự đoán các sự kiện hiếm.
“Bạn phải nhận ra rằng đây là những sự kiện ngẫu nhiên. Sự bùng phát của một đại dịch như COVID-19, thảm họa môi trường ở Vịnh Mexico, động đất, cháy rừng lớn ở California, sóng cao 30 mét làm lật úp một con tàu — đây là những sự kiện hiếm gặp. Và vì chúng hiếm gặp nên chúng tôi không có nhiều dữ liệu lịch sử. Do đó, chúng tôi phải trả lời câu hỏi: Đâu là dữ liệu tốt nhất có thể mà có thể sử dụng để giảm thiểu số lượng dữ liệu mà chúng tôi cần?”, George Karniadakis, giáo sư toán học và kỹ thuật ứng dụng tại đại học Brown, đồng thời cũng là tác giả nghiên cứu cho biết.
Các nhà nghiên cứu đã tìm thấy câu trả lời trong một kỹ thuật lấy mẫu tuần tự được gọi là “học tích cực”. Các loại thuật toán thống kê này không chỉ có thể phân tích dữ liệu đầu vào mà quan trọng hơn, chúng có thể học hỏi từ thông tin để gắn nhãn các điểm dữ liệu. Ở cấp độ cơ bản nhất, chúng cho phép các nhà khoa học làm được nhiều việc hơn với chi phí ít hơn.
Điều đó rất quan trọng đối với mô hình học máy mà các nhà nghiên cứu đã sử dụng. Được gọi là DeepOnet, mô hình này là một loại mạng thần kinh nhân tạo, sử dụng các nút được liên kết với nhau trong các lớp liên tiếp mô phỏng kết nối thần kinh trong não người. DeepOnet được biết đến như một thuật toán thần kinh sâu.
Nó tiên tiến và mạnh mẽ hơn các mạng thần kinh nhân tạo thông thường vì về cơ bản, nó là hai mạng thần kinh trong một. Điều này cho phép thuật toán phân tích các tập hợp dữ liệu và kịch bản khổng lồ với tốc độ chóng mặt để đưa ra các tập hợp xác suất khổng lồ không kém sau khi biết được thứ mà nó đang tìm kiếm.
Trong bài báo, nhóm nghiên cứu chỉ ra rằng kết hợp với các kỹ thuật “học tích cực”, mô hình DeepOnet có thể được đào tạo về những thông số hoặc sự kiện dẫn đến thiên tai, ngay cả khi không có nhiều điểm dữ liệu.
“Nhiệm vụ không phải là lấy mọi dữ liệu có thể và đưa vào hệ thống, mà là chủ động tìm kiếm các sự kiện hiếm gặp. Chúng tôi có thể không có nhiều ví dụ về sự kiện thực, nhưng chúng tôi có thể có những sự kiện dẫn đến việc đó. Thông qua toán học, chúng tôi xác định chúng, cùng với các sự kiện thực tế sẽ giúp chúng tôi đào tạo nhà điều hành thiếu dữ liệu này”, ông Karniadakis cho biết.
Các nhà nghiên cứu nhận thấy phương pháp mới của họ vượt trội hơn khi so với các nỗ lực lập mô hình truyền thống. Họ cũng tin rằng nó sẽ đưa ra một khuôn khổ có thể phát hiện và dự đoán hiệu quả tất cả các loại sự kiện hiếm gặp.
