Connect with us

Horoscopo

Las transformadas de Fourier revelan cómo la IA aprende física compleja

Published

on

Las transformadas de Fourier revelan cómo la IA aprende física compleja

Un nuevo estudio ha encontrado que el análisis de Fourier, una técnica matemática que existe desde hace 200 años, se puede utilizar para revelar información importante sobre cómo las redes neuronales profundas aprenden a realizar tareas físicas complejas, como modelar el clima y la turbulencia. Esta investigación destaca el potencial del análisis de Fourier como herramienta para comprender mejor el funcionamiento interno de la inteligencia artificial y podría tener implicaciones importantes para el desarrollo de algoritmos de aprendizaje automático más eficientes.

La ‘caja negra’ de la IA científica no es rival para el método de 200 años

Las transformadas de Fourier revelan qué tan bien la red neuronal profunda aprende física compleja.

Una de las herramientas más antiguas de la física computacional, una técnica matemática de 200 años conocida como análisis de Fourier – puede revelar información crucial sobre cómo una forma de inteligencia artificial llamada red neuronal profunda aprende a realizar tareas que involucran física compleja como modelar el clima y la turbulencia, según un nuevo estudio.

El descubrimiento realizado por investigadores de ingeniería mecánica de la Universidad de Rice se describe en un estudio de acceso abierto publicado en la revista Nexo PNASuna publicación hermana de procedimientos de la Academia Nacional de Ciencias.

«Este es el primer marco riguroso para explicar y guiar el uso de redes neuronales profundas para sistemas dinámicos complejos como el clima», dijo el autor correspondiente del estudio, Pedram Hassanzadeh. «Esto podría acelerar drásticamente el uso del aprendizaje científico profundo en la ciencia del clima y conducir a proyecciones mucho más confiables del cambio climático».

La IA predice cómo cambiarán los flujos con el tiempo

Los investigadores de la Universidad de Rice entrenaron una forma de inteligencia artificial llamada red neuronal de aprendizaje profundo para reconocer flujos complejos de aire o agua y predecir cómo cambiarán los flujos con el tiempo. Esta imagen ilustra las diferencias sustanciales en la escala de características que muestra el modelo durante el entrenamiento (arriba) y las características que aprende a reconocer (abajo) para hacer sus predicciones. Crédito: Imagen cortesía de P. Hassanzadeh/Universidad Rice

En el artículo, Hassanzadeh, Adam Subel y Ashesh Chattopadhyay, ambos exalumnos, y Yifei Guan, investigador asociado postdoctoral, detallaron su uso del análisis de Fourier para estudiar una red neuronal de aprendizaje profundo que ha sido entrenada para reconocer los complejos flujos de aire en el atmósfera. o agua en el océano y predecir cómo estos flujos cambiarían con el tiempo. Su análisis reveló «no solo lo que había aprendido la red neuronal, sino que también nos permitió conectar directamente lo que había aprendido la red con la física del sistema complejo que estaba modelando», dijo Hassanzadeh.

“Las redes neuronales profundas son tristemente dificil de entender ya menudo son vistos como ‘cajas negras’”, dijo. “Esta es una de las principales preocupaciones con el uso de redes neuronales profundas en aplicaciones científicas. La otra es la generalización: estas redes no pueden funcionar para un sistema diferente de aquel para el que fueron entrenadas. . »

Espectros de Fourier de la mayoría de los núcleos modificados de DNN reciclado

El entrenamiento de redes neuronales profundas de última generación requiere una gran cantidad de datos, y la carga de reentrenamiento, con los métodos actuales, sigue siendo significativa. Después de entrenar y volver a entrenar una red de aprendizaje profundo para realizar diferentes tareas que involucran física compleja, los investigadores de la Universidad de Rice utilizaron el análisis de Fourier para comparar los 40,000 núcleos de las dos iteraciones y encontraron que más del 99% eran similares. Esta ilustración muestra los espectros de Fourier de los cuatro núcleos que diferían más antes (izquierda) y después (derecha) del reentrenamiento. Los resultados demuestran el potencial del método para identificar vías de reciclaje más eficientes que requieren muchos menos datos. Crédito: Imagen cortesía de P. Hassanzadeh/Universidad Rice

Hassanzadeh dijo que el marco analítico que presenta su equipo en el documento «abre la caja negra, nos permite mirar dentro para comprender qué han aprendido las redes y por qué, y también nos permite relacionar esto con la física del sistema que se ha aprendido». .

Subel, el autor principal del estudio, comenzó la investigación como estudiante universitario en Rice y ahora es estudiante de posgrado en[{» attribute=»»>New York University. He said the framework could be used in combination with techniques for transfer learning to “enable generalization and ultimately increase the trustworthiness of scientific deep learning.”

While many prior studies had attempted to reveal how deep learning networks learn to make predictions, Hassanzadeh said he, Subel, Guan and Chattopadhyay chose to approach the problem from a different perspective.

Pedram Hassanzadeh

Pedram Hassanzadeh. Credit: Rice Universit

“The common machine learning tools for understanding neural networks have not shown much success for natural and engineering system applications, at least such that the findings could be connected to the physics,” Hassanzadeh said. “Our thought was, ‘Let’s do something different. Let’s use a tool that’s common for studying physics and apply it to the study of a neural network that has learned to do physics.”

He said Fourier analysis, which was first proposed in the 1820s, is a favorite technique of physicists and mathematicians for identifying frequency patterns in space and time.

“People who do physics almost always look at data in the Fourier space,” he said. “It makes physics and math easier.”

For example, if someone had a minute-by-minute record of outdoor temperature readings for a one-year period, the information would be a string of 525,600 numbers, a type of data set physicists call a time series. To analyze the time series in Fourier space, a researcher would use trigonometry to transform each number in the series, creating another set of 525,600 numbers that would contain information from the original set but look quite different.

“Instead of seeing temperature at every minute, you would see just a few spikes,” Subel said. “One would be the cosine of 24 hours, which would be the day and night cycle of highs and lows. That signal was there all along in the time series, but Fourier analysis allows you to easily see those types of signals in both time and space.”

Based on this method, scientists have developed other tools for time-frequency analysis. For example, low-pass transformations filter out background noise, and high-pass filters do the inverse, allowing one to focus on the background.

Adam Subel

Adam Subel. Credit: Rice University

Hassanzadeh’s team first performed the Fourier transformation on the equation of its fully trained deep-learning model. Each of the model’s approximately 1 million parameters act like multipliers, applying more or less weight to specific operations in the equation during model calculations. In an untrained model, parameters have random values. These are adjusted and honed during training as the algorithm gradually learns to arrive at predictions that are closer and closer to the known outcomes in training cases. Structurally, the model parameters are grouped in some 40,000 five-by-five matrices, or kernels.

“When we took the Fourier transform of the equation, that told us we should look at the Fourier transform of these matrices,” Hassanzadeh said. “We didn’t know that. Nobody has done this part ever before, looked at the Fourier transforms of these matrices and tried to connect them to the physics.

“And when we did that, it popped out that what the neural network is learning is a combination of low-pass filters, high-pass filters and Gabor filters,” he said.

“The beautiful thing about this is, the neural network is not doing any magic,” Hassanzadeh said. “It’s not doing anything crazy. It’s actually doing what a physicist or mathematician might have tried to do. Of course, without the power of neural nets, we did not know how to correctly combine these filters. But when we talk to physicists about this work, they love it. Because they are, like, ‘Oh! I know what these things are. This is what the neural network has learned. I see.’”

Subel said the findings have important implications for scientific deep learning, and even suggest that some things scientists have learned from studying machine learning in other contexts, like classification of static images, may not apply to scientific machine learning.

“We found that some of the knowledge and conclusions in the machine learning literature that were obtained from work on commercial and medical applications, for example, do not apply to many critical applications in science and engineering, such as climate change modeling,” Subel said. “This, on its own, is a major implication.”

Reference: “Explaining the physics of transfer learning in data-driven turbulence modeling” by Adam Subel, Yifei Guan, Ashesh Chattopadhyay and Pedram Hassanzadeh, 23 January 2023, PNAS Nexus.
DOI: 10.1093/pnasnexus/pgad015

Chattopadhyay received his Ph.D. in 2022 and is now a research scientist at the Palo Alto Research Center.

The research was supported by the Office of Naval Research (N00014- 20-1-2722), the National Science Foundation (2005123, 1748958) and the Schmidt Futures program. Computational resources were provided by the National Science Foundation (170020) and the National Center for Atmospheric Research (URIC0004).

READ  Horóscopo de hoy, jueves 22 de octubre: predicciones para la salud, el amor y el dinero

Experiencia en periódicos nacionales y periódicos medianos, prensa local, periódicos estudiantiles, revistas especializadas, sitios web y blogs.

Continue Reading
Click to comment

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Horoscopo

Una nebulosa que se extiende hacia el espacio

Published

on

Una nebulosa que se extiende hacia el espacio

EL Nebulosa de la goma Es una nebulosa de emisión ubicada a casi 1.400 años luz de distancia. Alberga un objeto conocido entre los fieles como la “Mano de Dios”. El resto de nosotros lo llamamos CG 4.

Muchos objetos en el espacio adquieren formas fascinantes y etéreas, sacadas directamente de la fantasía psicodélica de alguien. CG4 es ciertamente etéreo y extraordinario, pero también un poco más prosaico. Parece una mano extendiéndose hacia el espacio.

La cámara de energía oscura (DECam) en la NSF Telescopio Víctor M. Blanco de 4 metros capturó la imagen. La principal tarea de DECam es estudiar cientos de millones de galaxias como parte de su estudio de la energía oscura. Pero también es un instrumento de uso general utilizado para otros esfuerzos científicos.

CG4 Se llama glóbulo cometario debido a su apariencia. Pero en realidad es una región de formación de estrellas. Tiene una cabeza de aproximadamente 1,5 años luz de ancho y una cola de aproximadamente 8 años luz de largo. La cabeza es densa y opaca y está iluminada por una estrella cercana. El glóbulo está rodeado por un resplandor rojo difuso, emisiones de hidrógeno ionizado.

Este clip muestra un primer plano de CG 4. La mano parece estar a punto de agarrar una galaxia espiral llamada ESO 257-19 (PGC 21338). Pero la galaxia está a más de cien millones de años luz más allá de CG 4. Sólo una alineación casual hace que parezca cercana. Cerca de la cabeza del glóbulo cometario hay dos objetos estelares jóvenes (YSO). Estas son estrellas en las primeras etapas de su evolución antes de convertirse en estrellas de la secuencia principal. Créditos de imagen: Crédito: CTIO/NOIRLab/DOE/NSF/AURA
Procesamiento de imágenes: TA Rector (Universidad de Alaska Anchorage/NSF NOIRLab), D. de Martin y M. Zamani (NSF NOIRLab)

Hay muchos glóbulos cometarios en la Vía Láctea. Esta es una subclase de objetos llamada Glóbulos de libros, llamado así en honor al astrónomo Bart Bok, quien los descubrió. Los dos tipos de glóbulos son nebulosas oscuras, nubes moleculares tan densas que bloquean la luz óptica. Los astrónomos no saben exactamente cómo toman forma los glóbulos cometarios.

Pero ellos saben lo que les está pasando.

El resplandor rojo que rodea a CG 4 es hidrógeno ionizado iluminado por la radiación de estrellas masivas y calientes cercanas. Esta misma radiación erosiona CG 4. Como el glóbulo es más denso que su entorno, resiste la difusión. Todavía contiene suficiente gas y polvo para formar varias estrellas nuevas aproximadamente tan masivas como el Sol.

READ  Líbano aprueba plan para 346 viviendas y espacios comerciales en S. Hartmann
En este acercamiento, la mano se parece más a la boca del Shai-Hulud, extendiéndose hacia el espacio para destruir al Sardaukar que se acerca.  Crédito de la imagen: CTIO/NOIRLab/DOE/NSF/AURA.  Procesamiento de imágenes: TA Rector (Universidad de Alaska Anchorage/NSF NOIRLab), D. de Martin y M. Zamani (NSF NOIRLab)
En este acercamiento, la mano se parece más a la boca del Shai-Hulud, extendiéndose hacia el espacio para destruir al Sardaukar que se acerca. Crédito de la imagen: CTIO/NOIRLab/DOE/NSF/AURA. Procesamiento de imágenes: TA Rector (Universidad de Alaska Anchorage/NSF NOIRLab), D. de Martin y M. Zamani (NSF NOIRLab)

Aunque hay una gran cantidad de estos glóbulos en la Vía Láctea, la mayoría de ellos se encuentran en la Nebulosa de las Gomas. Los científicos conocen otros 31 glóbulos en la nebulosa. Este se llama CG 4 (Glóbulo Cometario 4) porque están todos numerados.

Esta imagen muestra tres de los 32 CG de la Nebulosa de las Gomas: CG 30, 31 y 8. Crédito de la imagen: Por Legacy Surveys / D.Lang (Perimeter Institute) y Meli Thev - Trabajo propio, CC BY 4.0, https://commons .wikimedia.org/w/index.php?curid=143429111
Esta imagen muestra tres de los 32 CG en la Nebulosa de las Gomas: CG 30, 31 y 8. Crédito de la imagen: Por Legacy Surveys / D.Lang (Perimeter Institute) y Meli Thev – Trabajo propio, CC BY 4.0, https://commons .wikimedia.org/w/index.php?curid=143429111

La Nebulosa de las Gomas es probablemente el remanente de una explosión masiva de supernova, y esto podría explicar por qué los glóbulos tienen su forma única. Es posible que originalmente fueran nebulosas esféricas como la Nebulosa del Anillo. Pero una poderosa explosión de supernova hace aproximadamente un millón de años los estiró hasta adquirir su forma alargada, parecida a la de un cometa.

El Telescopio Espacial James Webb capturó esta imagen de la Nebulosa del Anillo Sur, o NGC 3132, con su instrumento NIRCAM.  Los glóbulos cometarios podrían haber comenzado como nebulosas en forma de anillo antes de ser distorsionados por explosiones de supernova.  Crédito de la imagen: Por imagen: NASA/ESA/CSA/Space Telescope Science Institute.  Dominio publico
El Telescopio Espacial James Webb capturó esta imagen de la Nebulosa del Anillo Sur, o NGC 3132, con su instrumento NIRCAM. Los glóbulos cometarios podrían haber comenzado como nebulosas en forma de anillo antes de ser distorsionados por explosiones de supernova. Crédito de la imagen: Por imagen: NASA/ESA/CSA/Space Telescope Science Institute. Dominio publico

Los astrónomos también sugieren otra razón para su forma. Las estrellas masivas y calientes cercanas ejercen presión de radiación sobre los glóbulos y su viento estelar también los golpea. En la Nebulosa de las Gomas, sus colas apuntan hacia el remanente de Supernova Vela y el púlsar en su centro. Dado que Vela Pulsar es una estrella de neutrones en rotación, es posible que sus vientos y la presión de radiación den forma a CG 4.

Cualquiera que sea su causa, la Mano de Dios es un objeto visualmente intrigante. Si realmente quieres perderte en esta asombrosa nebulosa, descarga el archivo TIFF aquí.

Continue Reading

Horoscopo

Un vídeo de la NASA muestra lo que pasaría si cayeras en un agujero negro

Published

on

Un vídeo de la NASA muestra lo que pasaría si cayeras en un agujero negro

En un nuevo vídeo directamente de la película. InterestelarLa NASA ha revelado cómo se vería si cayeras en un agujero negro.

La simulación se creó utilizando una supercomputadora de la NASA e imagina lo que una persona podría ver al sumergirse más allá del horizonte de sucesos de un agujero negro hacia el abismo que se encuentra más allá.

Otra simulación muestra lo que vería una persona que volara sobre un agujero negro, con el espacio pareciendo doblarse y girar a medida que el espectador pasa.

Imagen de una simulación de la NASA que muestra la caída en un agujero negro (principal) y el agujero negro supermasivo visto desde lejos (recuadro). Esta simulación muestra lo que vería una persona que cayera en un agujero negro.

Centro de vuelos espaciales Goddard de la NASA/J. Schnittman y B. Powell

«Simulé dos escenarios diferentes, uno en el que una cámara, un sustituto de un atrevido astronauta, pierde por poco el horizonte de sucesos y retrocede, y el otro, en el que cruza el límite, sellando su destino», dijo el creador de la simulación Jeremy Schnittman. dijo en un comunicado un astrofísico del Centro de Vuelos Espaciales Goddard de la NASA en Greenbelt, Maryland.

Los agujeros negros son objetos que tienen una atracción gravitacional tan fuerte que ni siquiera la luz puede escapar. Hay varios tipos, incluidos los agujeros negros estelares (formados por el colapso de estrellas individuales) y los agujeros negros supermasivos (que se encuentran en los centros de la mayoría de las galaxias, incluida la Vía Láctea). Cada agujero negro tiene un horizonte de sucesos, que es el límite alrededor de un agujero negro más allá del cual ninguna luz u otra radiación puede escapar.

READ  SpaceLink seleccionado por DARPA para el programa Proliferated Space Domain de la agencia – SatNews

El agujero negro en la simulación de la NASA es un agujero negro supermasivo, como el del centro de nuestra galaxia, con una masa alrededor de 4,3 millones de veces la de nuestro sol y un horizonte de sucesos de unos 16 millones de kilómetros de diámetro. El brillante anillo de gas que rodea el agujero negro se conoce como disco de acreción y brilla intensamente debido a la gran cantidad de calor generado por la fricción.

La simulación muestra al espectador comenzando a unos 400 millones de kilómetros del agujero negro y cayendo rápidamente hacia él, con el disco de acreción combándose y deformándose a medida que el espectador se acerca.

«Si tienes la opción, querrás caer en un agujero negro supermasivo», dijo Schnittman. «Los agujeros negros de masa estelar, que contienen hasta unas 30 masas solares, tienen horizontes de sucesos mucho más pequeños y fuerzas de marea más fuertes, que pueden destrozar los objetos que se acercan antes de que alcancen el horizonte».

Esto se debe a que la fuerza de gravedad ejercida sobre tu cuerpo sería más fuerte en tus pies que en tu cabeza, estirándote átomo por átomo en un proceso llamado espaguetificación.

«Un agujero negro de masa estelar tiene fuerzas de marea tan extremas fuera de su horizonte de sucesos (un astronauta que cayera con los pies por delante sentiría una gravedad más fuerte en sus pies que en su cabeza) que nuestro astronauta se desgarraría mucho antes de alcanzar el horizonte de sucesos», dijo Ben. Farr, físico de ondas gravitacionales y astrónomo de la Universidad de Oregón, dijo anteriormente Semana de noticias. «Un objeto experimenta fuerzas de marea cuando la fuerza de gravedad que experimenta debido a un objeto masivo es más fuerte en un lado que en el otro».

READ  Controladores de red reforzados contra radiación TTTech para producción de espacio en serie - SatNews

Para este agujero negro simulado, el espectador sólo tendría 12,8 segundos antes de ser destruido por la espaguetificación.

La otra simulación muestra a un espectador orbitando cerca del horizonte de sucesos pero sin llegar a cruzarlo. Una persona que se acercara tanto a un agujero negro de este tamaño regresaría 36 minutos más joven que aquellos que se quedaran más lejos, debido a la diferencia en la velocidad del tiempo que pasa cerca de un objeto con tanta gravedad.

«Esta situación puede ser aún más extrema», dijo Schnittman. «Si el agujero negro girara rápidamente, como el que se muestra en la película de 2014 Interestelarregresaría varios años más joven que sus compañeros de barco.

Estas simulaciones se realizaron utilizando la supercomputadora Discover del Centro de Simulación Climática de la NASA y ocupan aproximadamente 10 terabytes de datos.

«La gente suele preguntar sobre esto, y simular estos procesos difíciles de imaginar me ayuda a conectar las matemáticas de la relatividad con las consecuencias del mundo real en el universo real», dijo Schnittman.

¿Tiene algún consejo sobre una historia científica que Semana de noticias ¿debe cubrir? ¿Tiene alguna pregunta sobre los agujeros negros? Háganos saber a través de [email protected].