به گزارش مجله خبری نگار،به نظر میرسد که شبکههای عصبی مصنوعی میتوانند هر کاری انجام دهند، اما متاسفانه، این سیستمهای هوش مصنوعی (AI) الهام گرفته از مغز به روشهای مرموزی کار میکنند و این نگرانی را ایجاد میکنند که کاری که انجام میدهند ممکن است منطقی نباشد.
نتایج یک مطالعه جدید نشان میدهد: ریاضیات ۲۰۰ ساله میتواند به روشن کردن چگونگی انجام وظایف پیچیده شبکههای عصبی مانند پیش بینی آب و هوا یا مدل سازی تلاطم کمک کند. به گفته محققان، این امر به نوبه خود میتواند به افزایش دقت شبکههای عصبی و سرعت یادگیری آنها کمک کند.
در شبکههای عصبی مصنوعی، اجزایی که به عنوان نورون شناخته میشوند و مشابه نورونهای مغز انسان هستند، دادهها را تغذیه کرده و برای حل یک مشکل، مانند تشخیص چهره، همکاری میکنند. شبکههای عصبی در صورتی که دارای چندین لایه از این نورونها باشند، عمیق نامیده میشوند.
روشی که در آن شبکههای عصبی به نتیجه میرسند مدتهاست که مانند یک جعبه سیاه مرموز در نظر گرفته میشود چراکه یک شبکه نمیتواند توضیحی درباره نحوه رسیدن به نتیجهای که انجام داده است، ارائه دهد.
پدرام حسن زاده (Pedram Hassanzadeh) پژوهشگر ایرانی الاصل این مطالعه از دانشکده دینامیک سیالات در دانشگاه رایس در هیوستون، میگوید: اگرچه محققان راههایی را برای بررسی عملکرد درونی شبکههای عصبی ایجاد کرده اند، اما اینها اغلب در مورد شبکههای بسیاری از کاربردهای علمی و مهندسی موفقیت چندانی از خود نشان نداده اند.
به منظور تجزیه و تحلیل یک شبکه عصبی طراحی شده برای فیزیک، حسن زاده و همکارانش با استفاده از یک تکنیک ریاضی که اغلب در فیزیک استفاده میشود، آزمایشهای را انجام دادند. این روش که به عنوان تحلیل فوریه (Fourier) شناخته میشود، برای شناسایی الگوهای منظم در دادهها در فضا و زمان استفاده میشود.
در مطالعه جدید، محققان روی یک شبکه عصبی عمیق آزمایشهایی انجام دادند که برای تجزیه و تحلیل نوع تلاطم پیچیده مشاهده شده در هوا در جو یا آب در اقیانوس و پیش بینی چگونگی تغییر این جریانها در طول زمان آموزش دیده بود.
حسن زاده میگوید: درک بهتر مفاهیمی که شبکههای عصبی برای تجزیه و تحلیل این سیستمهای پیچیده آموخته اند میتواند به شکل گیری مدلهای دقیق تری منجر شود که به دادههای کمتری برای آموزش نیاز دارند.
به گفته دانشمندان، پارامترهای شبکههای عصبی آموزش ندیده عموما دارای مقادیر تصادفی هستند. در طول آموزش، پارامترهای یک شبکه عصبی اصلاح میشوند، زیرا به تدریج یاد میگیرد راه حلهایی را محاسبه کند که به نتایج شناخته شده در موارد آموزشی نزدیکتر هستند. سپس محققان میتوانند از یک شبکه عصبی کاملاً آموزش دیده برای تجزیه و تحلیل دادههایی که قبلاً ندیده بودند، استفاده کنند.
حسن زاده میگوید: برای مدت سالها شنیده ایم که شبکههای عصبی جعبههای سیاه هستند و پارامترهای زیادی برای درک و تحلیل وجود دارد و مطمئناً، وقتی به برخی از این پارامترها نگاه میکردیم، چندان معنا نداشتند و همه آنها متفاوت به نظر میرسیدند. او میافزاید: با این حال، پس از تجزیه و تحلیل فوریه از همه این هسته ها، متوجه شدیم که آنها فیلترهای طیفی هستند.
حسن زاده در خاتمه میگوید: دانشمندان سالها تلاش کرده اند که این فیلترها را برای تجزیه و تحلیل آب و هوا و تلاطم ترکیب کنند. با این حال، این ترکیبات اغلب در مدل سازی این سیستمهای پیچیده موفق نبودند. حسن زاده میگوید شبکههای عصبی روشهایی را برای ترکیب صحیح این فیلترها آموختند.
به گفته او، تحلیل فوریه ممکن است به دانشمندان کمک کند تا شبکههای عصبی بهتری برای چنین اهدافی طراحی کنند و به آنها کمک کند تا فیزیک زیربنایی آب و هوا و تلاطم را بهتر درک کنند.