Les systèmes dynamiques non linéaires sont des systèmes qui peuvent subir des changements soudains non pas dus à des changements dans leur état ou leur stabilité, mais en réponse à la vitesse à laquelle des conditions ou des paramètres externes changent. Ces changements soudains, connus sous le nom de basculement induit par le bruit et induit par le taux, peuvent rendre la prévision de la façon dont les systèmes se déplaceront avec le temps plus difficile.
Des chercheurs de l'Université technique de Munich, du Potsdam Institute for Climate Impact Research et de l'Université d'Exeter ont réalisé une étude explorant le potentiel des techniques d'apprentissage en profondeur pour prédire le basculement induit par le bruit et induit par le taux. Leur article, publié dans Intelligence de la machine de la naturesuggère que les changements soudains dans les systèmes dynamiques non linéaires, tels que le changement climatique, pourraient être prédits de manière fiable à l'aide de l'intelligence artificielle (IA).
« Notre équipe et notre portée de recherche à long terme se concentrent sur les points de basculement du système terrestre, dans le but de déterminer la dynamique de fond, l'incertitude, la prédiction pratique et les impacts socio-économiques des points de basculement », a déclaré à TECH Yu Huang, premier auteur du journal, à Tech Xplore.
«Les scientifiques du climat, de l'écologie, de la physique, des mathématiques et des systèmes dynamiques ont consacré de nombreuses contributions à ce domaine. -Les basculements induits et pourboire induits par le taux, présentent également des risques cruciaux et une grande incertitude à l'instabilité des systèmes climatiques et écologiques. «
Les basculements induits par le bruit et les basculements induits par le taux sont deux types de changements observés dans les systèmes dynamiques non linéaires, qui sont associés à des fluctuations aléatoires dans l'environnement ou à la vitesse à laquelle un paramètre externe change, respectivement.
Dans le contexte du changement climatique, par exemple, le basculement induit par le bruit pourrait avoir des effets sur les écosystèmes causés par des conditions météorologiques aléatoires, tandis que le basculement induit par le taux pourrait être lié à l'augmentation du taux auquel les températures augmentent.
Jusqu'à présent, prédire ces deux types de basculement s'est avéré difficile. Un objectif clé de Huang et de ses collègues était de déterminer si des changements induits par le bruit et induits par le taux pouvaient être prédits avec précision à l'aide d'algorithmes d'apprentissage automatique.
« En collectant de nombreux échantillons et en examinant étroitement les données brutes avant le basculement induit par le taux, nous pouvons déjà observer visuellement des changements subtils dans les distributions de probabilité statistique des données », a expliqué Huang. « Cependant, cette expérience d'observation provient des échantillons d'ensemble. Pouvons-nous l'utiliser directement sur un seul échantillon pour déduire si le basculement induit par le taux se produira? Le deep Learning nous donne cette chance. »
Huang et ses collègues ont formé un modèle d'apprentissage en profondeur sur les données de séries chronologiques montrant les changements dans divers systèmes dynamiques non linéaires avec différentes dynamiques sous-jacentes. Pendant la formation, le modèle a progressivement appris à déduire la probabilité de basculement induite par le taux se produisant à partir d'une séquence d'événements donnée.
« Jusqu'à présent, il n'y avait pas de théorie prédictive pour les basculements induits par le taux et induits par le bruit, cette étude introduit l'apprentissage en profondeur comme un outil efficace pour ces événements de basculement », a déclaré Huang.
« De plus, nous constatons que l'efficacité de la prédiction est indépendante des architectures de réseau neuronal spécifiques, la bonne transférabilité peut fonctionner à travers différents taux de forçage et systèmes dynamiques, et l'IA explicable peut nous aider à découvrir les empreintes digitales du point de basculement des données. »
Des études antérieures avaient déjà démontré le potentiel de l'apprentissage en profondeur pour prédire les basculements induits par la bifurcation. Il s'agit d'un déplacement soudain des systèmes dynamiques induits par la bifurcation (c'est-à-dire des changements dans l'équilibre d'un système ou un comportement périodique lorsqu'un paramètre interne traverse un seuil critique).
« Parallèlement aux études antérieures constatant que l'apprentissage en profondeur fonctionne bien pour prédire les basculements induits par la bifurcation, nos nouvelles résultats nous inspirent beaucoup », a déclaré Huang. « Ils impliquent que c'est un vœu pieux d'obtenir un indicateur d'alerte précoce complet pour différents types de basculement et un seuil critique à travers la valeur de forçage et le taux de forçage. »
Les travaux récents de cette équipe de chercheurs pourraient bientôt inspirer le développement de modèles d'apprentissage plus en profondeur pour prédire les basculements induits par le taux et le bruit, ce qui pourrait s'avérer utile pour prévoir les changements climatiques et environnementaux. Pendant ce temps, Huang et ses collègues mènent de nouvelles recherches axées sur trois sujets différents.
Premièrement, ils essaient d'améliorer le modèle d'apprentissage en profondeur qu'ils ont développé et de le former sur des ensembles de données plus complets. Cela pourrait faciliter son utilisation comme un outil pour prédire de manière fiable les trois principaux types de basculement observés dans les systèmes dynamiques non linéaires.
« La deuxième direction de recherche que nous explorons se concentre sur la découverte par les signaux précurseurs par l'IA pour les points de basculement, dans le but de comprendre les mécanismes physiques et mathématiques sous-jacents », a ajouté Huang.
« Cela pourrait être utile pour établir la théorie prédictive des basculements induits par le taux et induits par le bruit. La troisième direction de recherche future est enracinée dans une question ouverte. Notre étude a utilisé l'apprentissage en profondeur pour prédire la probabilité de basculement du système avant que le basculement ne se produise. Aussi un plus loin étape, il pourrait également être intéressant de prédire la trajectoire évolutionnaire temporelle d'un système avant et après un point de basculement, afin que nous puissions prédire la trajectoire de basculement des basculements induits par le taux, au lieu du basculement probabilité. «
