การทำนายระบบที่ซับซ้อนเช่นสภาพอากาศเป็นเรื่องยากที่มีชื่อเสียง แต่อย่างน้อยสมการที่ควบคุมสภาพอากาศก็ไม่เปลี่ยนจากวันหนึ่งเป็นวันถัดไป ในทางตรงกันข้าม ระบบที่ซับซ้อนบางระบบสามารถผ่านการเปลี่ยนแปลง "จุดเปลี่ยน" โดยกะทันหันเปลี่ยนพฤติกรรมอย่างมากและอาจไม่สามารถย้อนกลับได้ โดยมีการเตือนเพียงเล็กน้อยและผลที่ตามมาที่อาจเป็นหายนะ
ในช่วงเวลาที่นานพอ ระบบในโลกแห่งความเป็นจริงส่วนใหญ่จะเป็นแบบนี้ พิจารณากระแสน้ำกัลฟ์สตรีมในมหาสมุทรแอตแลนติกเหนือ ซึ่งส่งน้ำเส้นศูนย์สูตรที่อบอุ่นไปทางเหนือโดยเป็นส่วนหนึ่งของสายพานลำเลียงในมหาสมุทรที่ช่วยควบคุมสภาพอากาศของโลก สมการที่อธิบายกระแสหมุนเวียนเหล่านี้กำลังเปลี่ยนแปลงอย่างช้าๆ อันเนื่องมาจากการไหลเข้าของน้ำจืดจากการละลายของแผ่นน้ำแข็ง จนถึงตอนนี้การไหลเวียนได้ช้าลง แต่หลายทศวรรษต่อจากนี้ อาจต้องหยุดชะงักลงอย่างกะทันหัน
“สมมติว่าตอนนี้ทุกอย่างโอเค” . กล่าว หญิงเฉิงไหลนักฟิสิกส์จากมหาวิทยาลัยแห่งรัฐแอริโซนา “คุณจะบอกได้อย่างไรว่ามันจะไม่โอเคในอนาคต”
ในบทความชุดล่าสุด นักวิจัยได้แสดงให้เห็นว่าอัลกอริธึมการเรียนรู้ของเครื่องสามารถทำนายการเปลี่ยนแปลงของจุดเปลี่ยนในตัวอย่างตามแบบฉบับของระบบ "ที่ไม่คงที่" ดังกล่าวได้ เช่นเดียวกับคุณลักษณะของพฤติกรรมหลังจากที่พวกเขาให้ทิปแล้ว วันหนึ่ง เทคนิคใหม่ที่ทรงพลังอย่างน่าประหลาดใจอาจพบการประยุกต์ใช้ในวิทยาศาสตร์ภูมิอากาศ นิเวศวิทยาระบาดวิทยาและสาขาอื่น ๆ อีกมากมาย
ความสนใจในปัญหาเริ่มขึ้นเมื่อสี่ปีที่แล้วกับ ผลลัพธ์ที่ก้าวล้ำ จากกลุ่มของ เอ็ดเวิร์ด อ็อตนักวิจัยด้านความโกลาหลชั้นนำของมหาวิทยาลัยแมริแลนด์ ทีมของ Ott พบว่าอัลกอริธึมการเรียนรู้ด้วยเครื่องชนิดหนึ่งที่เรียกว่าโครงข่ายประสาทเทียมสามารถทำนายวิวัฒนาการของระบบที่วุ่นวาย (ซึ่งไม่มีจุดเปลี่ยน) ได้อย่างน่าทึ่งในอนาคต เครือข่ายอาศัยเพียงบันทึกพฤติกรรมในอดีตของระบบที่วุ่นวายเท่านั้น ไม่มีข้อมูลเกี่ยวกับสมการที่อยู่เบื้องหลัง
วิธีการเรียนรู้ของเครือข่ายแตกต่างจากเครือข่ายประสาทเทียมลึก ซึ่งป้อนข้อมูลผ่านชั้นเซลล์ประสาทเทียมจำนวนมากสำหรับงานต่างๆ เช่น การรู้จำคำพูดและการประมวลผลภาษาธรรมชาติ โครงข่ายประสาทเทียมทั้งหมดเรียนรู้โดยการปรับความแรงของการเชื่อมต่อระหว่างเซลล์ประสาทเพื่อตอบสนองต่อข้อมูลการฝึก Ott และผู้ทำงานร่วมกันใช้วิธีการฝึกอบรมที่มีต้นทุนน้อยกว่าที่เรียกว่า Reservo Computing ซึ่งปรับการเชื่อมต่อเพียงเล็กน้อยในเซลล์ประสาทเทียมชั้นเดียว แม้จะมีความเรียบง่าย แต่การคำนวณในอ่างเก็บน้ำก็เหมาะกับงานทำนายวิวัฒนาการที่วุ่นวาย
น่าประทับใจเช่นเดียวกับผลลัพธ์ในปี 2018 นักวิจัยสงสัยว่าวิธีการที่ขับเคลื่อนด้วยข้อมูลของแมชชีนเลิร์นนิงจะไม่สามารถคาดการณ์การเปลี่ยนจุดเปลี่ยนในระบบที่ไม่อยู่กับที่หรืออนุมานว่าระบบเหล่านี้จะทำงานอย่างไรในภายหลัง โครงข่ายประสาทเทียมจะฝึกข้อมูลในอดีตเกี่ยวกับระบบที่กำลังพัฒนา แต่ “สิ่งที่จะเกิดขึ้นในอนาคตนั้นกำลังพัฒนาไปตามกฎที่แตกต่างกัน” Ott กล่าว มันเหมือนกับการพยายามทำนายผลการแข่งขันเบสบอลเพียงเพื่อจะพบว่ามันกลายเป็นแมตช์คริกเก็ต
และในช่วงสองปีที่ผ่านมา กลุ่มของ Ott และอีกหลายๆ คนได้แสดงให้เห็นว่าการคำนวณในอ่างเก็บน้ำทำงานได้ดีกับระบบเหล่านี้อย่างไม่คาดคิดเช่นกัน
In กระดาษ 2021, Lai และผู้ทำงานร่วมกันได้ให้อัลกอริธึมการคำนวณของอ่างเก็บน้ำเข้าถึงค่าพารามิเตอร์ที่ค่อยๆ เคลื่อนตัวไปอย่างช้าๆ ซึ่งท้ายที่สุดแล้วจะส่งระบบแบบจำลองไปยังจุดเปลี่ยน — แต่พวกเขาไม่ได้ให้ข้อมูลอื่นๆ เกี่ยวกับสมการที่ควบคุมระบบของระบบ สถานการณ์นี้เกี่ยวข้องกับสถานการณ์จริงจำนวนหนึ่ง เช่น เรารู้ว่าความเข้มข้นของคาร์บอนไดออกไซด์ในชั้นบรรยากาศเพิ่มขึ้นอย่างไร แต่เราไม่รู้ทุกวิถีทางที่ตัวแปรนี้จะส่งผลต่อสภาพอากาศ ทีมงานพบว่าโครงข่ายประสาทเทียมที่ได้รับการฝึกฝนเกี่ยวกับข้อมูลในอดีตสามารถทำนายค่าที่ระบบจะไม่เสถียรในท้ายที่สุด เผยแพร่กลุ่มของ Ott ผลลัพธ์ที่เกี่ยวข้อง ปีก่อน
ใน กระดาษใหม่, โพสต์ออนไลน์ในเดือนกรกฎาคมและขณะนี้อยู่ระหว่างการตรวจสอบโดยเพื่อน Ott และนักศึกษาระดับบัณฑิตศึกษาของเขา ดรุวิทย์ พาเทล สำรวจพลังการทำนายของโครงข่ายประสาทเทียมที่มองเห็นเฉพาะพฤติกรรมของระบบและไม่รู้อะไรเลยเกี่ยวกับพารามิเตอร์พื้นฐานที่รับผิดชอบในการขับเคลื่อนการเปลี่ยนแปลงจุดเปลี่ยน พวกเขาป้อนข้อมูลโครงข่ายประสาทเทียมที่บันทึกไว้ในระบบจำลอง ขณะที่พารามิเตอร์ที่ซ่อนอยู่นั้นกำลังล่องลอย โดยที่เครือข่ายไม่ทราบ ในหลายกรณี อัลกอริธึมสามารถคาดการณ์การเริ่มต้นของการให้ทิปและให้การกระจายความน่าจะเป็นของพฤติกรรมหลังการให้ทิปที่เป็นไปได้
น่าแปลกที่เครือข่ายทำงานได้ดีที่สุดเมื่อฝึกเกี่ยวกับข้อมูลที่มีเสียงดัง เสียงรบกวนมีอยู่ทั่วไปในระบบของโลกแห่งความเป็นจริง แต่โดยปกติแล้วจะเป็นอุปสรรคต่อการทำนาย เห็นได้ชัดว่าสิ่งนี้ช่วยได้โดยเปิดเผยอัลกอริทึมให้กว้างขึ้นสำหรับพฤติกรรมที่เป็นไปได้ของระบบ เพื่อใช้ประโยชน์จากผลลัพธ์ที่ขัดกับสัญชาตญาณนี้ Patel และ Ott ได้ปรับเปลี่ยนขั้นตอนการคำนวณในอ่างเก็บน้ำเพื่อให้โครงข่ายประสาทรับรู้สัญญาณรบกวนและพฤติกรรมโดยเฉลี่ยของระบบ “นั่นจะเป็นสิ่งสำคัญสำหรับแนวทางใดๆ ที่พยายามจะคาดการณ์” พฤติกรรมของระบบที่ไม่อยู่กับที่กล่าว ไมเคิล เกรแฮมนักพลศาสตร์ของไหลที่มหาวิทยาลัยวิสคอนซิน เมดิสัน
Patel และ Ott ยังถือว่าเป็นกลุ่มของจุดเปลี่ยนที่ทำเครื่องหมายการเปลี่ยนแปลงพฤติกรรมโดยสิ้นเชิงโดยเฉพาะ
สมมติว่าสถานะของระบบถูกพล็อตเป็นจุดที่เคลื่อนที่ไปรอบๆ ในพื้นที่นามธรรมของสถานะที่เป็นไปได้ทั้งหมด ระบบที่ผ่านวัฏจักรปกติจะติดตามวงโคจรซ้ำในอวกาศ ในขณะที่วิวัฒนาการที่วุ่นวายจะดูเหมือนยุ่งเหยิงยุ่งเหยิง จุดเปลี่ยนอาจทำให้วงโคจรหมุนวนจนควบคุมไม่ได้ แต่ยังคงอยู่ในส่วนเดิมของโครงเรื่อง หรืออาจทำให้การเคลื่อนไหวที่วุ่นวายในขั้นต้นกระจายออกไปยังพื้นที่ที่ใหญ่ขึ้น ในกรณีเหล่านี้ โครงข่ายประสาทเทียมอาจพบคำใบ้เกี่ยวกับชะตากรรมของระบบที่เข้ารหัสในการสำรวจพื้นที่ที่เกี่ยวข้องในอดีตของพื้นที่ของรัฐ
ความท้าทายที่มากขึ้นคือการเปลี่ยนผ่านที่ระบบถูกขับออกจากภูมิภาคหนึ่งอย่างกะทันหัน และวิวัฒนาการในภายหลังก็แผ่ขยายออกไปในพื้นที่ห่างไกล “ไม่เพียงแต่การเปลี่ยนแปลงจะเปลี่ยนไป แต่ตอนนี้คุณกำลังเดินทางเข้าไปในดินแดนที่คุณไม่เคยเห็นมาก่อน” Patel อธิบาย การเปลี่ยนภาพดังกล่าวมักจะ "ตีโพยตีพาย" ซึ่งหมายความว่าไม่สามารถย้อนกลับได้ง่าย แม้ว่ากล่าวคือ พารามิเตอร์ที่เพิ่มขึ้นอย่างช้าๆ ที่ทำให้เกิดการเปลี่ยนแปลงนั้นถูกลดระดับลงอีกครั้ง ฮิสเทรีซิสแบบนี้เป็นเรื่องปกติ: ตัวอย่างเช่น ฆ่านักล่าชั้นนำมากเกินไปในระบบนิเวศ และการเปลี่ยนแปลงที่เปลี่ยนแปลงไปอาจทำให้ประชากรเหยื่อระเบิดอย่างกะทันหัน เพิ่มผู้ล่ากลับมาอีกครั้งและจำนวนเหยื่อยังคงสูงขึ้น
เมื่อได้รับการฝึกอบรมเกี่ยวกับข้อมูลจากระบบที่แสดงการเปลี่ยนแปลงอย่างบ้าคลั่ง อัลกอริธึมการคำนวณอ่างเก็บน้ำของ Patel และ Ott สามารถคาดการณ์จุดเปลี่ยนที่ใกล้เข้ามาได้ แต่เกิดข้อผิดพลาดและไม่สามารถคาดการณ์พฤติกรรมที่ตามมาของระบบได้ จากนั้นนักวิจัยได้ลองใช้แนวทางไฮบริดที่รวมการเรียนรู้ของเครื่องและการสร้างแบบจำลองตามความรู้ทั่วไปของระบบ พวกเขาพบว่าอัลกอริธึมไฮบริดเกินผลรวมของชิ้นส่วน: สามารถทำนายคุณสมบัติทางสถิติของพฤติกรรมในอนาคตได้แม้ว่าโมเดลตามความรู้จะมีค่าพารามิเตอร์ที่ไม่ถูกต้อง ดังนั้นจึงล้มเหลวในตัวเอง
ซูน โฮ ลิมนักวิจัยด้านแมชชีนเลิร์นนิ่งที่สถาบันนอร์ดิกสำหรับฟิสิกส์เชิงทฤษฎีในสตอกโฮล์ม ซึ่งศึกษาพฤติกรรมระยะสั้นของระบบที่ไม่อยู่กับที่ หวังว่างานล่าสุดจะ “ทำหน้าที่เป็นตัวเร่งปฏิกิริยาสำหรับการศึกษาต่อไป” รวมถึงการเปรียบเทียบระหว่างประสิทธิภาพของการคำนวณในอ่างเก็บน้ำกับ ของ การเรียนรู้ลึก ๆ อัลกอริทึม หากการคำนวณในอ่างเก็บน้ำสามารถต่อต้านวิธีการที่ต้องใช้ทรัพยากรมากขึ้น นั่นจะเป็นลางดีสำหรับโอกาสในการศึกษาจุดเปลี่ยนในระบบขนาดใหญ่และซับซ้อน เช่น ระบบนิเวศและสภาพอากาศของโลก
“มีหลายอย่างที่ต้องทำในสาขานี้” Ott กล่าว “มันเปิดกว้างจริงๆ”
