研究表明，机器学习可以预测灾难性事件，如地震或新冠

研究人员建议，科学家应通过结合先进的机器学习系统和顺序采样技术，避免对大量数据集的需求，以预测极端事件。

在预测极端事件（比如地震、大流行病或可能摧毁海岸结构的“巨浪”）带来的灾难时，计算建模面临着一个几乎无法克服的挑战：从统计上讲，这些事件非常罕见，以至于没有足够的数据来使用预测模型准确预测下一次发生的时间。

但布朗大学和麻省理工学院的一组研究人员表示，不一定要这样。

在《自然计算科学》（Nature Computational Science）的一项新研究中，科学家们描述了他们如何将统计算法与布朗大学开发的强大的机器学习技术相结合，并对其进行了训练，以预测情景、概率，有时甚至预测罕见事件的时间线，尽管缺乏历史记录。

研究团队发现，这一新框架可以提供一种方法来避免传统上需要大量数据进行此类计算，而不是将预测罕见事件的巨大挑战归结为质量而非数量问题。

“你必须意识到这些都是随机事件，”布朗大学应用数学和工程教授、研究作者乔治·卡纳达基斯说。“像新冠肺炎这样的疫情爆发，墨西哥湾的环境灾难，地震，加利福尼亚州的巨大野火，30米的海浪翻船，这些都是罕见的事件，因为它们很罕见，我们没有很多历史数据。我们没有足够的过去样本来预测未来。我们在论文中要解决的问题是：我们可以使用哪些最佳数据来减少所需数据点的数量？”

研究人员在一种叫做主动学习的顺序抽样技术中找到了答案。这些类型的统计算法不仅能够分析输入到其中的数据，而且更重要的是，它们可以从信息中学习，以标记新的相关数据点，这些数据点对正在计算的结果同样重要，甚至更重要。在最基本的层面上，他们允许用更少的资源做更多的事情。

这对研究人员在研究中使用的机器学习模型至关重要。该模型被称为DeepOnet，是一种人工神经网络，它使用连续层中的互连节点，大致模拟人脑神经元的连接。DeepOnet被称为深度神经算子。它比典型的人工神经网络更先进、更强大，因为它实际上是两个神经网络合一，在两个并行网络中处理数据。这使得它能够以极快的速度分析大量的数据和场景，一旦它了解到它在寻找什么，就可以输出同样大量的概率集。

这一强大工具的瓶颈，尤其是与罕见事件相关的工具，是深度神经操作员需要大量数据进行训练，以进行有效和准确的计算。

在论文中，研究团队表明，与主动学习技术相结合，DeepOnet模型可以得到训练，了解哪些参数或前兆会导致某人正在分析的灾难性事件，即使数据点不多。

Karniadakis说：“重点不是获取所有可能的数据并将其放入系统中，而是积极寻找将意味着罕见事件的事件。我们可能没有太多真实事件的例子，但我们可能有这些前兆。通过数学，我们识别出它们，这与真实事件一起将有助于我们训练这个数据饥渴的操作员。”

在这篇论文中，研究人员应用这种方法来精确确定大流行期间危险尖峰的参数和不同概率范围，发现并预测巨浪，并估计船只何时会因压力而开裂。例如，研究人员发现，对于游荡波——其大小是周围波浪的两倍——他们可以通过观察随时间非线性相互作用的可能波浪条件来发现和量化游荡波何时形成，有时会导致波浪的原始大小的三倍。

研究人员发现，他们的新方法胜过了传统的建模方法，他们相信这提供了一个可以有效发现和预测各种罕见事件的框架。

在这篇论文中，研究团队概述了科学家应该如何设计未来的实验，以使成本最小化并提高预测精度。例如，Karniadakis已经与环境科学家合作，使用这种新方法来预测气候事件，如飓风。