در این مطالعه دریافتند که از استفاده فعال (روش نمونه گیری متوالی) راه حل این موضوع است. این الگوریتم‌ها می‌توانند ورودی‌های را تجزیه و تحلیل کنند و همچنین از آنچه ارائه می‌شود برای برچسب‌گذاری نکات جدید که مهمتر از داده‌های گذشته هستند، بیاموزند. به عبارت دیگر، با کمترین اطلاعات می‌توانم بیشتر انجام دهم. مدل های ماشینی که استفاده کردند DeepOnet نام دارد. DeepOnet نوعی شبکه عصبی مصنوعی است که از گره‌ها به هم پیوسته و لایه‌های آن استفاده می‌شود که می‌تواند به مغز انسان متصل شود.
شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای ماشین‌ها، نمایش دانش‌های کاربردی دانش به دست آمده در بیش‌بینی پاسخ‌های خروج از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه‌ها تا حدودی الهام گرفته شده از شیوه کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور و ایجاد دانش می‌باشد.
این سیستم چگونه های آینده را پیش بینی می کند؟
در یک مطالعه جدید، الگوریتم‌های آماری را که به داده‌های کمتری می‌دهند، برای پیش‌بینی دقیق نیاز به استفاده از ابزارهای ماشینی دارند که بر هوش مصنوعی ساخته شده‌اند تا با موفقیت از نیاز به تکیه‌های بیش از حد چشم پوشی کنند.
دو شبکه عصبی با این ابزار در یک شبکه کار می‌کنند و این امر آن را به یک منبع فوق‌العاده قدرتمند تبدیل می‌کند که می‌تواند در هر دو شبکه پردازش کند. در نهایت، این امر امکان می‌دهد تا داده‌ها را به سرعت تجزیه و تحلیل کنند. در این کار، بررسی‌ها نشان می‌دهند که DeOnet، همراه با تکنیک‌های بدون فعال، می‌توانند شاخص‌های یک رویداد فاجعه بار را نشان دهند.
کارنیاداکیس افزود: هدف این نیست که همه چیز ممکن است را بگیرد و آنها را در سیستم قرار دهد، بلکه باید به دنبال رویدادهایی باشند که نشانه‌هایی از رویدادهای نادر باشند. ما ممکن است نمونه‌های بسیاری از رویدادهای احتمالی باشد، اما ممکن است آنها را به‌عنوان نمونه‌های اولیه قرار دهیم. ما از طریق ریاضیات، آنها را می‌کنیم.
انتهای پیام