一项新研究指出，机器学习或可预测地震或疫情等罕见灾难性事件。
研究人员将统计算法与一种强大的机器学习技术结合起来，并对其进行训练，使其能够预测各种情景。
他们的新方法优于更传统的建模方法。
一项新研究展示了机器学习如何预测地震或疫情等罕见灾难性事件。
研究表明，科学家可以将先进的机器学习系统与序贯抽样技术结合起来，在无需海量数据集的情况下预测极端事件。
在预测由极端事件引发的灾难时（例如地震、疫情，或可能摧毁沿海建筑的“异常巨浪”），计算建模面临着几乎无法克服的挑战：从统计学角度看，这些事件极为罕见，因此相关数据不足，无法利用预测模型准确预报它们何时会再次发生。
但这项新研究表明，情况未必如此。
在发表于《自然·计算科学》的研究中，研究人员介绍了他们如何将统计算法——这类算法只需较少数据便能做出准确、高效的预测——与一种强大的机器学习技术相结合，并对其进行训练，使其在缺乏历史记录的情况下也能预测罕见事件的情景、发生概率，有时甚至是发生时间。
研究人员发现，这一新框架能够绕开此类计算传统上对海量数据的需求，从本质上将预测罕见事件这一巨大挑战归结为质量胜于数量。
“你必须认识到，这些都是随机事件，”该研究作者、布朗大学应用数学与工程学教授乔治·卡尼亚达基斯说。“比如新冠肺炎疫情暴发、墨西哥湾的环境灾害、地震、加利福尼亚州的大规模野火，或掀翻船只的30米巨浪——这些都是罕见事件，正因为罕见，我们没有太多历史数据。
“我们没有足够的过往样本来预测这些事件在更远的未来何时发生。本文要探讨的问题是：我们可以使用哪些最合适的数据，尽可能减少所需的数据点数量？”
研究人员通过一种称为主动学习的序贯抽样技术找到了答案。这类统计算法不仅能够分析输入的数据，更重要的是，它们还能从信息中学习，标记出新的相关数据点；这些数据点对于正在计算的结果同样重要，甚至更加重要。从最基本的层面来说，它们能以更少投入实现更多成果。
这对研究人员在研究中使用的机器学习模型至关重要。该模型名为DeepOnet，是一种人工神经网络，通过连续层中的互连节点，大致模拟人脑中神经元之间的连接。
DeepOnet被称为深度神经算子。它比典型的人工神经网络更先进、功能更强，因为它实际上将两个神经网络合为一体，在两个并行网络中处理数据。它学会要寻找的目标后，便能以极快的速度分析海量数据和情景，并输出同样庞大的概率集合。
这种强大工具的瓶颈在于，尤其面对罕见事件时，深度神经算子需要大量数据进行训练，才能做出有效且准确的计算。
研究团队在论文中表明，将DeepOnet模型与主动学习技术结合后，即使数据点不多，也能训练模型识别导致所分析灾难事件发生的参数或前兆。
“关键不是把所有可能的数据都输入系统，而是主动寻找能够预示罕见事件的迹象，”卡尼亚达基斯说。“我们可能没有多少真实事件的案例，但可能掌握了这些前兆。通过数学方法，我们可以识别它们；这些前兆与真实事件结合起来，将有助于训练这个需要大量数据的算子。”
研究人员在论文中运用这一方法，确定疫情期间危险激增现象的参数和不同概率范围，发现并预测异常巨浪，并估算船只因承受压力而断裂的时间。例如，对于异常巨浪——其高度超过周围波浪的两倍——研究人员发现，他们可以通过观察随时间发生非线性相互作用的可能波况，发现并量化异常巨浪何时形成；这些相互作用有时会使波浪达到原始高度的三倍。
研究人员发现，他们的新方法优于更传统的建模方法，并认为这一框架能够高效地发现和预测各种罕见事件。
研究团队在论文中概述了科学家应如何设计未来实验，以降低成本并提高预测准确性。例如，卡尼亚达基斯已在与环境科学家合作，利用这一新方法预测飓风等气候事件。
这项研究由麻省理工学院的伊桑·皮克林和西奥米斯托克利斯·萨普西斯领衔。卡尼亚达基斯和其他布朗大学研究人员于2019年推出DeepOnet。目前，他们正在为这项技术申请专利。
这项研究获得了美国国防高级研究计划局、空军研究实验室和海军研究办公室的资助。
