Une nouvelle approche de l’apprentissage automatique pourrait rendre le chaos plus prévisible

Les vastes capacités de traitement des chiffres des systèmes d’intelligence artificielle signifient que nous pouvons mieux prédire l’avenir des systèmes chaotiques basés sur de moins en moins de modèles du passé et un nouvel algorithme ajoute encore plus de précision au processus.

Développé grâce à des techniques de calcul de réservoir de nouvelle génération, qui adoptent une approche plus dynamique et plus rapide de l’apprentissage automatique, le nouvel algorithme améliore les prédictions de processus physiques complexes tels que les prévisions météorologiques mondiales.

Les calculs de ces processus connus sous le nom de systèmes chaotiques spatio-temporels peuvent désormais être effectués en une fraction du temps, avec une plus grande précision, en utilisant moins de ressources de calcul et sur la base de moins de données de formation.

« C’est très excitant, car nous pensons qu’il s’agit d’une avancée substantielle en termes d’efficacité du traitement des données et de précision des prédictions dans le domaine de l’apprentissage automatique », déclare le physicien Wendson de sa Barbosa, de l’Ohio State University.

L’apprentissage automatique est exactement cela : des algorithmes informatiques utilisant un processus de découverte pour faire des prédictions (telles que les conditions météorologiques futures) basées sur de grandes archives de données (telles que les conditions météorologiques passées).

L’approche informatique du réservoir tente d’imiter plus étroitement le cerveau humain, en alimentant en informations un «réservoir» de neurones artificiels connectés au hasard comme moyen de découvrir des modèles utiles. Les résultats sont ensuite utilisés pour éclairer les futurs cycles d’apprentissage.

Au fil du temps, ces systèmes sont devenus plus simples et efficaces. Une innovation dans l’apprentissage automatique a permis à des composants distincts du modèle prédictif de se produire en parallèle. L’utilisation de ce type d’architecture avec la dernière technologie informatique de réservoir permet aux algorithmes de repérer les symétries potentielles dans ce qui est autrement un gâchis chaotique d’informations.

Les chercheurs ont testé leur nouvelle approche sur un modèle météorologique atmosphérique. À l’aide d’un ordinateur portable normal exécutant le logiciel Windows, ils ont pu faire des prédictions en une fraction de seconde qui nécessitaient auparavant un supercalculateur. Dans ce cas particulier, les calculs ont été effectués 240 000 fois plus vite qu’avec les algorithmes traditionnels.

« Si l’on connaît les équations qui décrivent avec précision comment ces processus uniques pour un système vont évoluer, alors son comportement pourrait être reproduit et prédit », explique de sa Barbosa.

Les algorithmes d’apprentissage automatique peuvent être utilisés pour prédire toutes sortes d’événements futurs, en trouvant des applications dans des domaines aussi banals que l’extraction de nouvelles ressources ou aussi alarmants que l’ingénierie sociale.

À mesure que ces scénarios deviennent plus complexes, il y a de plus en plus de variables à prendre en compte, repoussant les limites des ressources de calcul. Les systèmes d’apprentissage automatique sont capables de repérer des modèles dans les données passées qu’il serait impossible à un œil humain de repérer, puis de faire attention à la répétition de ces modèles. Ils peuvent également faire des retours sur eux-mêmes pour améliorer leur précision au fil du temps.

Selon les chercheurs, plus tard, ces algorithmes nouveaux et améliorés pourraient être utilisés dans une grande variété de situations telles que la surveillance des schémas d’un rythme cardiaque, la détection de problèmes de santé qui autrement seraient manqués.

« Les algorithmes d’apprentissage automatique modernes sont particulièrement bien adaptés pour prédire les systèmes dynamiques en apprenant leurs règles physiques sous-jacentes à l’aide de données historiques », explique de sa Barbosa.

« Une fois que vous avez suffisamment de données et de puissance de calcul, vous pouvez faire des prédictions avec des modèles d’apprentissage automatique sur n’importe quel système complexe du monde réel. »

La recherche a été publiée dans Chaos : une revue interdisciplinaire de sciences non linéaires.