Marie Rousseau L’un des outils les as well as anciens de la physique computationnelle – une approach mathématique vieille de 200 ans connue sous le nom d’analyse de Fourier – peut révéler des informations cruciales sur la façon dont une forme d’intelligence artificielle appelée réseau neuronal profond apprend à effectuer des tâches impliquant une physique complexe comme le climat et modélisation de la turbulence, selon une nouvelle étude.
La découverte par des chercheurs en génie mécanique de l’Université Rice est décrite dans une étude en libre accès publiée dans PNAS Nexus, une publication sœur des Actes de l’Académie nationale des sciences.
“Il s’agit du premier cadre rigoureux pour expliquer et guider l’utilisation des réseaux de neurones profonds pour des systèmes dynamiques complexes tels que le climat”, a déclaré l’auteur correspondant de l’étude, Pedram Hassanzadeh.”
Dans l’article, Hassanzadeh, Adam Subel et Ashesh Chattopadhyay, tous deux anciens étudiants, et Yifei Guan, un associé de recherche postdoctoral. ou de l’eau dans l’océan et de prédire remark ces flux évolueraient avec le temps., a déclaré Hassanzadeh.
“Les réseaux de neurones profonds sont tristement difficiles à comprendre et sont souvent considérés comme des” boîtes noires “”, a-t-il déclaré. L’autre est la généralisabilité : ces réseaux ne peuvent pas fonctionner pour un système différent de celui pour lequel ils ont été formés.”
Hassanzadeh a déclaré que le cadre analytique que son équipe présente dans l’article “ouvre la boîte noire.
Subel, l’auteur principal de l’étude, a commencé la recherche en tant que premier cycle de Rice et est maintenant étudiant diplômé à l’Université de New York. en fin de compte.
Hassanzadeh a déclaré que lui, Subel, Guan et Chattopadhyay avaient choisi d’aborder le problème sous un angle différent.
du moins pour que les résultats puissent être connectés à la physique”, a déclaré Hassanzadeh. “Notre pensée était:” Faisons quelque chose de différent. ”
Il a déclaré que l’analyse de Fourier, qui a été proposée pour la première fois dans les années 1820.
“Les gens qui font de la physique regardent presque toujours les données dans l’espace de Fourier”, a-t-il déclaré. “Cela facilite la physique et les mathématiques.”
Par exemple, si quelqu’un avait un enregistrement minute par minute des relevés de température extérieure pendant une période d’un an, l’information serait une chaîne de 525 600 chiffres. Pour analyser la série chronologique dans l’espace de Fourier, un chercheur utiliserait la trigonométrie pour transformer chaque nombre de la série, créant un autre ensemble de 525 600 nombres qui contiendraient des informations de l’ensemble d’origine mais seraient assez différents.
a déclaré Subel. “L’un serait le cosinus de 24 heures, qui serait le cycle jour et nuit des hauts et des bas. Ce signal était là tout au extensive de la série chronologique, mais l’analyse de Fourier vous permet de voir facilement ces types de signaux à la fois dans le temps et espace.”
Sur la base de cette méthode, les scientifiques ont développé d’autres outils d’analyse temps-fréquence. Par exemple, les transformations passe-bas filtrent le bruit de fond et les filtres passe-haut font l’inverse, permettant de se concentrer sur le fond.
Chacun des quelque 1 million de paramètres du modèle agit comme des multiplicateurs. Dans un modèle non entraîné, les paramètres ont des valeurs aléatoires. Structurellement, les paramètres du modèle sont regroupés dans quelque 40 000 matrices cinq par cinq, ou noyaux.
“Lorsque nous avons pris la transformée de Fourier de l’équation, cela nous a dit que nous devrions regarder la transformée de Fourier de ces matrices”, a déclaré Hassanzadeh. “Nous ne le savions pas. Personne n’a jamais fait cette partie auparavant, regardé les transformées de Fourier de ces matrices et essayé de les connecter à la physique.
“Et lorsque nous avons fait cela. de filtres passe-haut et de filtres de Gabor”, a-t-il déclaré.
“La belle selected à ce sujet est que le réseau de neurones ne fait aucune magie”, a déclaré Hassanzadeh. “Cela ne fait rien de fou. C’est en fait ce qu’un physicien ou un mathématicien aurait pu essayer de faire. Bien sûr, sans la puissance des réseaux de neurones, nous ne savions pas remark combiner correctement ces filtres. Mais quand nous en parlons à des physiciens travailler, ils adorent ça. Parce qu’ils sont, comme, ‘Oh ! Je sais ce que sont ces choses. Je vois.'”
par exemple. telles que la modélisation du changement climatique”, a déclaré Subel.. “Ceci, en soi, est une implication majeure.”
Chattopadhyay a obtenu son doctorat. en 2022 et est maintenant chercheur au Palo Alto Investigation Center.
La recherche a été soutenue par l’Office of Naval Study (N00014-20-1-2722), la National Science Basis (2005123, 1748958) et le programme Schmidt Futures. Les ressources informatiques ont été fournies par la National Science Basis (170020) et le National Centre for Atmospheric Research (URIC0004).
