详细内容或原文请订阅后点击阅览
人工智能从过去的经验中学习来预测下一次全球灾难
预测一个复杂的系统——比如气候网络、经济，甚至人类的心脏——何时处于突然崩溃的边缘，长期以来一直是科学上最困难的挑战之一。这些所谓的关键转变——系统稳定状态之间的突然转变，例如从健康的生态系统到[...]
来源:科学特色系列预测一个复杂的系统——比如气候网络、经济，甚至人类的心脏——何时处于突然崩溃的边缘，长期以来一直是科学上最困难的挑战之一。这些所谓的关键转变——系统稳定状态之间的突然转变，例如从健康的生态系统到崩溃的生态系统——可能会在没有明确警告的情况下引发快速且不可逆转的变化，从生态崩溃到癫痫发作。由昆明理工大学的马志勤博士和曾春华教授领导的一项新研究，与中北大学的张一成教授和麦吉尔大学的托马斯·伯里博士合作，介绍了一种利用机器学习来检测这种转变的早期迹象的突破性方法。他们的工作发表在《通信物理学》上，概述了一种特定于系统的方法，该方法从历史数据中学习，比以前的通用模型更准确地预测临界点。
马博士和她的同事开发了一种名为“基于替代数据的机器学习”的新框架，该框架通过复制历史事件中发现的统计模式来生成大量训练数据。他们的方法在不同的现实世界例子中进行了测试，包括缺氧的海洋沉积物、古代人类社会和生物心律。与方差和自相关等传统指标相比，基于替代数据的机器学习始终表现出更高的灵敏度，这意味着它可以准确地检测到真正的警告，并且具有更高的特异性，从而避免误报。简而言之，它检测到真实信号，同时最大限度地减少错误。
期刊参考文献
Mazhiqin、Zeng Chunhua、Zhang Yi-Cheng 和 Bury Thomas M。“利用历史数据替代品训练的机器学习来预测关键转变。”通信物理学（2025）。 DOI：https://doi.org/10.1038/s42005-025-02172-4
通信物理