Математический хаос в динамических системах: российская разработка радикально изменила точность прогнозов

Исследователи разработали алгоритм машинного обучения NGRC-MDS, который восстанавливает пропущенные или искаженные значения в сложных динамических системах. Метод показал точность выше существующих аналогов при работе с данными о климате, биологических процессах и нейронной активности, однако работа представляет собой проверку модели на синтетических данных, что требует дальнейшего подтверждения в реальных условиях.

Принцип работы NGRC-MDS

В основе разработки лежит технология резервуарных вычислений нового поколения (NG-RC). Это тип нейросетей, которые отличаются высокой скоростью работы и низкими требованиями к вычислительным ресурсам. Основная проблема стандартных NG-RC заключается в фиксированном временном интервале анализа данных. Если алгоритм настроен на шаг в 10 минут, он фиксирует быстрые изменения, но игнорирует медленные долгосрочные тренды.

Авторы модифицировали модель, чтобы она могла анализировать структуру данных на разных временных масштабах одновременно. Вместо равномерных шагов NGRC-MDS выделяет ключевые периоды изменений — от мгновенных всплесков до плавных сдвигов. Это позволяет алгоритму подбирать индивидуальные отрезки времени из прошлого, которые наиболее точно определяют будущее состояние системы.

Объекты тестирования и точность

Исследователи из СГУ и РЭУ им. Г. В. Плеханова проверили метод на трех классических математических моделях. Эти модели имитируют поведение реальных сложных систем:

• активность групп нейронов;
• состояние атмосферы;
• динамика популяций живых организмов.

В ходе тестов алгоритм должен был восстановить "упущенные" данные и использовать их для прогноза. Результаты показали, что NGRC-MDS сократил ошибку предсказания в десятки раз по сравнению с существующими инструментами машинного обучения. Это означает, что модель более эффективно справляется с "шумами" и пропусками, которые обычно делают данные непригодными для анализа.

Таблица демонстрирует, как технические особенности алгоритма адресуют конкретные недостатки сбора данных в климатологии и медицине.

Границы применения и ограничений

Несмотря на высокую точность в тестах, работа основывается на использовании классических моделей. Это теоретические системы, которые упрощают реальный мир до набора формул. В реальности климатические или биологические данные могут содержать хаотические факторы, которые не предусмотрены даже в сложных симуляциях.

Следовательно, текущий результат подтверждает математическую эффективность метода, но не гарантирует аналогичный успех при работе с живыми пациентами или реальными метеостанциями. Для перехода от модели к практике потребуется внешняя валидация на больших массивах реальных данных.

Авторы планируют проверить алгоритм в сотрудничестве с ВЭБ. РФ для анализа экономики и в медицинских центрах (включая НМХЦ им. Н. И. Пирогова) для диагностики эпилепсии по ЭЭГ. Результаты исследования опубликованы в журнале IEEE Transactions on Neural Networks and Learning Systems.

Ответы на популярные вопросы

Это готовая технология для врачей и синоптиков

Нет, на данный момент метод прошел проверку на моделях. Применение в медицине или климатологии потребует стадии клинических и полевых испытаний.

Что значит "сокращение ошибки в десятки раз"

Это означает, что разница между восстановленным значением и реальным значением в модели стала значительно меньше, чем при использовании старых нейросетей.

В чем главное отличие от обычных нейросетей

В способности менять масштаб времени. Обычные сети смотрят на данные через "фиксированное окно", а этот метод подстраивает окно под скорость процесса.

Работа добавляет в арсенал анализа данных инструмент для борьбы с неполнотой информации в многомасштабных системах. Главным ограничением остается отсутствие тестов на реальных объектах. Следующим шагом должна стать проверка алгоритма на зашумленных данных из реальных климатических архивов и медицинских карт.