Des chercheurs du MIT et de l’Université Brown ont développé une méthode permettant à l’intelligence artificielle d’apprendre à prédire avec précision les événements extrêmes. Des pandémies, en passant par les défaillances structurelles des navires, les réseaux neuronaux profonds interagissent avec des systèmes complexes pour découvrir et apprendre efficacement les comportements extrêmes.
Les phénomènes extrêmes (cyclones, inondations, canicules…) font de plus en plus souvent la une des informations dans le contexte de changement climatique que nous vivons, ils sont malheureusement à l’origine d’immenses catastrophes humaines et matérielles. Pouvoir les prédire s’avère crucial, c’est l’objet de cette étude.
Alors que les modèles de prédiction nécessitent des masses de données, les chercheurs l’ont fait avec peu de données.
Ethan Pickering, alors associé postdoctoral en génie mécanique avec le professeur Themis Sapsis pour la prédiction d’événements extrêmes dans des systèmes chaotiques au Massachusetts Institute of Technology, qui dirige aujourd’hui une équipe de Bayer Crop Science, déclare:
« La prévision d’événements extrêmes avec l’IA n’aura plus besoin de “big data”, ce qui ouvrira d’innombrables possibilités de prédire avec précision les catastrophes lorsque les données sont limitées, des ouragans aux tremblements de terre en passant par les pics de pandémie ».
Découvrir et prévoir des événements extrêmes via l’apprentissage actif chez les opérateurs neuronaux
Les chercheurs ont cherché à prédire les pics pandémiques, les vagues scélérates et les défaillances structurelles des navires. Bien qu’ils puissent avoir des conséquences catastrophiques, ils sont difficiles à caractériser, car ils se produisent rarement, proviennent de conditions apparemment bénignes et appartiennent à des systèmes complexes et souvent inconnus, de dimension infinie.
Les chercheurs ont abordé chacune de ces difficultés en combinant des programmes d’entraînement pondérés en fonction du rendement dans la conception expérimentale bayésienne (BED) avec un ensemble d’opérateurs neuronaux profonds (DNO).
Cette approche de la conception expérimentale bayésienne, comprend deux composantes critiques, les critères de sélection des données et le modèle de substitution. Un algorithme supplémentaire formalise les étapes itératives pour former efficacement un modèle de substitution avec une sélection minimale des données.
Les chercheurs ont démontré que, non seulement leur framework surpasse les processus gaussiens, mais que :
- les ensembles superficiels de seulement deux membres sont les plus performants;
- les extrêmes sont découverts quel que soit l’état des données initiales (c’est-à-dire avec ou sans extrêmes);
- leur méthode élimine les phénomènes de « double descente » ;
- l’utilisation de lots d’échantillons d’acquisition sous-optimaux par rapport aux optima globaux étape par étape n’entrave pas les performances de BED ;
- l’acquisition de Monte Carlo surpasse les optimiseurs standard dans les grandes dimensions.
Ensemble, ces conclusions constituent le fondement d’un Infrastructure expérimentale assistée par l’IA qui peut inférer et localiser efficacement des situations critiques dans de nombreux domaines, des systèmes physiques aux systèmes sociétaux. Les chercheurs concèdent toutefois que leurs résultats sont empiriques et ne sont pas assortis de garanties solides.
Références : “Discovering and forecasting extreme events via active learning in neural operators”.
Nature Computational Science, December 2022
https://arxiv.org/abs/2204.02488
Auteurs :
Ethan Pickering, Stephen Guth, Themistoklis P. Sapsis, du MIT & George Em Karniadakis de l’Université Brown
