一只南美洲的蝴蝶，偶爾扇動幾下翅膀，兩周后可以引起美國德克薩斯州的一場颶風……

極小的擾動，將會引起結果的巨大差異。不可重復、不可預測，這就是混沌現(xiàn)象。

不可預測?那么，有了機器學習之后呢?

半個世紀前，混沌理論的先驅(qū)們發(fā)現(xiàn)由于存在“蝴蝶效應”，長期預測是不可能的。對于復雜系統(tǒng)(如天氣，經(jīng)濟等等)，即使是最小的擾動也能觸發(fā)一連串事件，導致極為不同的后果。

我們生活在不確定的陰影之下，無法確定這些系統(tǒng)的狀態(tài)以預測它們將如何發(fā)展。

最近，美國馬里蘭大學的研究表明，人工智能算法可以預測混沌系統(tǒng)的發(fā)展趨勢。比如，預測模型火焰鋒面的混沌演進過程：

德國不來梅雅各布大學計算科學教授Herbert Jaeger表示：“這種方法真的很了不起，能夠預測一個系統(tǒng)的混沌演進將會進行到什么地步。”

這個發(fā)現(xiàn)來自老牌混沌理論家Edward Ott和馬里蘭大學的四名合作者。他們采用了一種叫做儲備池計算(reservoir computing)的機器學習算法來“學習”原型混沌系統(tǒng)動力學，又叫做Kuramoto-Sivashinsky方程式(非線性偏微分方程)。這個方程式的演進解決方案就像一個火焰鋒面，在可燃介質(zhì)中閃爍前行。

Ott的研究生、論文的一作Jaideep Pathak說，這個方程式還描述了等離子體中的漂移波和其他現(xiàn)象，可以作為“研究湍流和時空混沌的測試平臺”。

論文作者們

機器學習的優(yōu)勢何在?

在用Kuramoto-Sivashinsky方程的演進數(shù)據(jù)進行訓練后，計算機算法可以近似地預測火焰系統(tǒng)在未來八個李亞普諾夫時間(Lyapunov times)長度的演進。李亞普諾夫時間表示混沌系統(tǒng)的兩個幾乎完全相同的狀態(tài)需要多長時間才能呈指數(shù)發(fā)散。

機器學習的方法能預測到的未來大大延長，比此前的預測方法能預測到的長了八倍，預測效果幾乎和真實情況完全匹配。

而且，這個算法對Kuramoto-Sivashinsky方程式本身一無所知;它只能看到方程式演進的數(shù)據(jù)。

這使機器學習方法變得更強大。因為，在許多情況下，由于不能確定描述混沌系統(tǒng)的方程式，動力學家無法對它們進行建模和預測。

現(xiàn)在，不再需要公式，只要數(shù)據(jù)就可以了。

專家認為，這篇論文表明未來我們或許能夠通過機器學習算法來預測天氣，而不是通過復雜的大氣模型。

除了天氣預報外，機器學習技術還可以幫助監(jiān)測心律失常，從而預測即將發(fā)生的心臟病，并監(jiān)測大腦中神經(jīng)突起的神經(jīng)元放電模式。更進一步，它或許能幫助預測那些會危及船只甚至可能導致地震的超級巨浪。

此外，我們也許能夠提前預警太陽風暴，比如1859年橫越太陽表面35,000英里的太陽風暴。那次磁力暴風導致了出現(xiàn)在全球各地的北極光，同時產(chǎn)生高壓使通訊線路在沒有電源的情況下仍有電流通過，從而摧毀了部分電報系統(tǒng)。

如果這樣的太陽風暴現(xiàn)在襲擊地球，將嚴重損害地球的電子基礎設施。但是如果你能預測到風暴即將到來，就可以暫時關掉電子設備電源，等風暴過后再打開。

算法預測混沌系統(tǒng)的原理

混沌模型：研究人員從模擬火焰鋒面?zhèn)鞑サ腒uramoto-Sivashinsky方程式開始。

*李亞普諾夫時間=系統(tǒng)初始狀態(tài)的微小差異開始呈指數(shù)發(fā)散之前的時間長度。它通常設定因系統(tǒng)而異的可預測性的范圍。

用Kuramoto-Sivashinsky系統(tǒng)過去的演進數(shù)據(jù)進行訓練后，“儲水池計算”算法預測其未來演進。

令人贊嘆的是，在混沌最終占優(yōu)勢之前，該算法可以精確地預測出模型的8個李亞普諾夫時長時間內(nèi)的演進。

這一成果是通過綜合現(xiàn)有的工具和算法得來。

當強大的“深度學習”算法開始征服像圖像和語音識別等人工智能任務時，Ott和他的同事們開始研讀機器學習并思考如何將其應用于混沌理論。