Некоторые системы, которые мы встречаем в реальной жизни (финансовые рынки, геофизические и климатические системы, системы управления и другие) постоянно подвергаются воздействию неконтролируемого шума. Это означает, что они функционируют практически непредсказуемо. Например, на нейроны головного мозга воздействуют в том числе случайные флуктуации (колебания), как и на лазеры. Поведение таких стохастических — то есть функционирующих случайно — систем нельзя вычислить математически, но его можно попробовать предугадать, собрав большие объемы данных об источниках шумов и частоте их появления. Для этого сегодня используют алгоритмы искусственного интеллекта. Лучше всего для такой цели подходят рекуррентные нейронные сети — модели, которые приспособлены к обработке последовательностей. Однако точно предсказывать, как будет вести себя стохастическая система, они до сих пор не могли из-за того, что учесть внешние случайные воздействия сложно.
Ученые из Балтийского федерального университета имени Иммануила Канта (Калининград) и Мадридского политехнического университета (Испания) выделили две категории предсказания — сильное и слабое. Сильный прогноз — это составление четкой траектории, по которой будет двигаться модель или система. Например, с помощью сильного прогноза можно рассчитать, какой будет интенсивность эрбиевого лазера в определенный момент. Это нужно знать, чтобы вычислить конкретные значения его мощности через определенный промежуток времени за счет воздействия случайного сигнала.
Схематическое представление «сильного» и «слабого» предсказания. Источник: Александр Храмов
Слабое предсказание позволяет рассчитать не то, как будет вести себя система, а какова вероятность, что она поведет себя тем или иным образом. Например, какова вероятность, что в следующие три минуты работы лазера его интенсивность будет выше, чем некая заданная величина. Для сильного прогнозирования нужно собрать все данные об источнике шума, что не всегда возможно. В случае слабого прогнозирования нужно знать не всю информацию о шуме, а только его статистические характеристики, чтобы посчитать вероятность получения того или иного результата.
Авторы подавали в рекуррентную нейронную сеть данные о характеристиках работы эрбиевого лазера и внешнем источнике шума. Выполняя резервуарные вычисления с помощью нейросетей, они проверили режимы сильного и слабого предсказания интенсивности лазера через несколько секунд. Оказалось, что точное предсказание достигается лишь в небольшом диапазоне интенсивности шума, в то время как слабый прогноз осуществляется практически во всем исследуемом диапазоне значений. Оказалось, что с использованием слабого предсказания зона прогнозирования увеличивается в 2,5 раза. Ученые повторили эксперимент на биологических нейронах, находящихся под внешним случайным воздействием, и подтвердили результат.
Таким образом, исследователи доказали, что модели слабого предсказания могут быть эффективнее «сильных». Это будет полезно, например, в финансовой аналитике для предсказания котировок акций и других финансовых инструментов, подверженных большому числу случайных воздействий; для предсказания активности нейронных сетей, что важно для разработки интерфейсов «мозг-компьютер»; а также в прогнозировании климатических явлений.
«Наши результаты предоставляют мощную основу для решения реальных проблем в нейронауке, лазерной физике, интеллектуальных системах для автономных устройств и других областях. Используя их, можно разрабатывать более эффективные системы управления и повышать точность прогнозирования. Например, сильное или слабое прогнозирование активности мозга позволит выявлять различные нарушения в его работе и заболевания, а также будет полезно для создания интерфейсов мозг-компьютер. В частности, слабое предсказание может помочь прогнозировать характеристики шума в сигналах мозговой активности и точнее отличать один паттерн мозговой активности от другого», — рассказывает участник проекта, поддержанного грантом РНФ, Никита Кулагин, студент, лаборант-исследователь Балтийского центра нейротехнологий и искусственного интеллекта Балтийского федерального университет имени Иммануила Канта.
В дальнейшем авторы планируют исследовать применимость предложенного подхода на более широком классе сложных систем, чтобы создать цифровые двойники стохастических систем.
