使用气溶胶和人工智能预测混沌

如果在一次生物恐怖袭击中释放了有毒气体，那么预测其分子路径的能力——通过湍流、温度变化和不稳定的浮标——可能意味着生命或死亡。了解一个城市在20年的时间里将如何发展和变化，可能会带来更可持续的规划和经济适用房。

推导出解决这些问题的方程——把所有相关的力加起来——往好了说，是困难到近乎不可能的地步，往坏了说，实际上是不可能的。但是机器学习可以有所帮助。

使用气溶胶粒子的运动通过一个系统在变化,研究人员麦凯维圣路易斯华盛顿大学的工程学院设计了一种新的模式,基于深度学习方法,可以帮助研究人员预测混沌系统的行为,这些系统是否在实验室里,在牧场或其他地方。

“这就是气溶胶的美，”能源、环境和化学工程助理教授拉詹·查克拉巴蒂(Rajan Chakrabarty)说。“它超越了一门学科，它只是漂浮在空气中的基本粒子，你只能观察到混沌。”

这项研究作为封面文章发表在《气溶胶科学杂志》上。

Chakrabarty和他的团队——博士后研究员Pai Liu和时任伊利诺伊理工学院博士候选人的Gan Jingwei——测试了两种深度学习方法，并确定生成式对抗网络产生了最准确的结果。这种人工智能首先提供一个真实世界过程的信息，然后根据这些数据创建一个该过程的模拟。

在博弈论的驱动下，一个生成式对抗网络同时接收地面事实(真实)和随机生成的数据(虚假)，并试图判断哪些是真实的，哪些是虚假的。

这个过程会重复很多次，提供反馈，整个系统在生成数据匹配方面也会越来越好。

描述气溶胶粒子在湍流系统中的混沌运动在计算上是昂贵的，因此Chakrabarty和他的团队需要真实的数据——一个真实的例子——来训练它的系统。这就是气溶胶的来源。

该团队使用了Chakrabarty实验室里的浮力反向火焰，创造了人工智能可以训练的样本。Chakrabarty说:“在这种情况下，我们通过引入浮力和温差，实验性地给系统增加了混沌。”然后，他们打开一个高速摄像机，记录下烟灰颗粒在火焰中蜿蜒、快速移动和拍摄时的三维轨迹数据集。

他们用来自火室的数据训练了两种人工智能模型:变分自编码方法和生成对抗网络(GAN)。每个模型然后产生自己的模拟。只有GAN的轨迹反映了实验中发现的统计特性，产生了混沌气溶胶粒子的真实模拟。

粒子在GAN产生的模拟轨迹附近的实时轨迹

Chakrabarty的深度学习模型不仅可以模拟烟尘或化学物质释放到大气中的最终位置。他说:“你可以看到很多这种混乱的例子，从觅食动物，到大气污染物的运输和生物威胁，再到搜索和救援策略。”

事实上，该实验室目前正与一位精神病学家合作，研究治疗抽搐综合症儿童的疗效。“抽搐是混乱的，”Chakrabarty解释说，因此典型的临床试验设置可能无法有效确定药物的疗效。

这种新型深度学习模型的广泛应用，不仅说明了人工智能的力量，也可能说明了一些更突出的现实问题。

“混乱或秩序，取决于旁观者的眼光，”他说。“这告诉你的是，我们周围的一切都有特定的规律。但是他们隐藏起来。

“你只需要发现它们。”