截圖（Chaos: An Interdisciplinary Journal of Nonlinear Science）

【資料圖】

具體說來是，該校研究人員最近發現的一種預測時空混沌系統行為的新方法，可應對以往相當復雜的地球天氣變化等機器學習場景。

當將這一高效算法與下一代儲層計算相結合時，混沌系統可在只需傳統方法幾分之一的時間內完成機器學習。

更棒的是，俄亥俄州立大學團隊的算法能夠做到更加準確。且與完成相同任務的競爭機器學習算法相比，只需 1/1250 ~ 1/400 的訓練數據來生成更好的預測。

在運行 Windows 10 操作系統的筆記本電腦上，新算法在幾分之一秒內做出的預測 —— 效率達到了傳統機器學習算法的大約 24 萬倍！

此外由于無需借助一臺超級計算機來完成任務，新方案也極具成本優勢。研究一作、該校物理學博士后研究員 Wendson De Sa Barbosa 表示：

這項研究成果的激動人心之處，在于讓我們相信它能夠在機器學習領域的數據處理效率和預測準確性方面取得了重大進步。

在物理學層面上，學習預測這些極其混亂的系統，原本是一項艱巨的挑戰。但儲備池計算的深入研究，為新的科學突破和發現鋪平了道路。

他補充道：現代機器學習算法非常適合借助歷史數據，學習其基本物理規則來預測動態系統。

一旦擁有了足夠的數據和計算能力，便可使用 ML 模型對現實世界中的任何復雜模型系統展開預測。

從時鐘的擺錘、到電網的中斷，這樣的系統可涵蓋任何物理過程。

據悉，為了對整個系統展開精確預測，科學家們必須掌握相關的每一個變量的準確信息、以及描述這些變量之間關系的模型方程 —— 其難度高到幾乎不可能。

但通過適當的機器學習算法，這項新研究中使用的大氣天氣示例，可將先前工作中用到的近 50 萬個歷史訓練數據點，大幅精簡到只需 400 個、同時仍可達成相同或更好的準確度。

展望未來，Wendson De Sa Barbosa 希望通過進一步研究來推動時空模擬。因為我們生活在一個人類仍然知之甚少的世界，而識別這些高動態系統、并學習如何更有效的預測它們，則是非常重要的。