En utilisant le mouvement des particules d'aérosol à travers un système en flux, des chercheurs de la McKelvey School of Engineering de l'Université de Washington à St. Louis ont mis au point un nouveau modèle, basé sur une méthode d'apprentissage en profondeur, qui peuvent aider les chercheurs à prédire le comportement des systèmes chaotiques. Crédit :Chakrabarty Lab
Si un gaz toxique était libéré lors d'une attaque bioterroriste, la capacité de prédire le chemin de ses molécules - à travers des vents turbulents, les changements de température et les flottabilités instables peuvent signifier la vie ou la mort. Comprendre comment une ville grandira et changera sur une période de 20 ans pourrait conduire à une planification plus durable et à des logements abordables.
Dériver des équations pour résoudre de tels problèmes - en additionnant toutes les forces pertinentes - est, au mieux, difficile au point de quasi-impossibilité et, au pire, en fait impossible. Mais l'apprentissage automatique peut aider.
En utilisant le mouvement des particules d'aérosol à travers un système en flux, des chercheurs de la McKelvey School of Engineering de l'Université de Washington à St. Louis ont mis au point un nouveau modèle, basé sur une méthode d'apprentissage en profondeur, qui peuvent aider les chercheurs à prédire le comportement des systèmes chaotiques, si ces systèmes sont en laboratoire, au pâturage ou ailleurs.
"C'est la beauté des aérosols, " dit Rajan Chakrabarty, professeur assistant en énergie, génie environnemental et chimique. "C'est au-delà d'une discipline, ce ne sont que des particules fondamentales flottant dans l'air et vous n'observez que le chaos."
La recherche a été publiée sous forme d'article de couverture dans le Journal de la science des aérosols .
Chakrabarty et son équipe, le chercheur postdoctoral Pai Liu et Jingwei Gan, puis un doctorat. candidat à l'Illinois Institute of Technology - a testé deux méthodes d'apprentissage en profondeur et a déterminé que le réseau accusatoire génératif produisait les résultats les plus précis. Ce type d'IA est d'abord alimenté en informations sur un processus réel, alors, sur la base de ces données, il crée une simulation de ce processus.
Motivé par la théorie des jeux, un réseau accusatoire génératif reçoit à la fois la vérité terrain (réelle) et les données générées aléatoirement (fausses) et essaie de déterminer lesquelles sont réelles et lesquelles sont fausses.
Ce processus se répète plusieurs fois, Fournir des commentaires, et le système dans son ensemble s'améliore continuellement pour générer la correspondance des données sur lesquelles il a été formé.
