Onderzoekers onder leiding van Caltech hebben een AI-methode ontwikkeld die naderende omslagpunten in veranderende dynamische systemen kan signaleren. Hiervoor gebruiken zij een zogenoemde recurrent neural operator. Dit type neuraal netwerk beschikt over een vorm van geheugen en volgt hoe de fysische toestand van een systeem zich in de tijd ontwikkelt. Het model werd getraind met gegevens van vóór een omslagpunt. Vervolgens controleert het of nieuwe voorspellingen nog voldoen aan bekende fysische voorwaarden. Wanneer de afwijking toeneemt, kan dat erop wijzen dat het systeem een plotselinge overgang nadert. De onderzoekers testten de methode onder meer op klimaatsimulaties en op een simulatie van stroming rond een kantelende vliegtuigvleugel. Bij de vleugel ging het om het omslagpunt waarbij de lift plotseling sterk afneemt: het begin van stall. De resultaten laten vooral zien dat een combinatie van AI, tijdsafhankelijke simulaties en fysische randvoorwaarden kan helpen om abrupte veranderingen eerder te herkennen.
Oorspronkelijke bron:
California Institute of Technology – Caltech
Forecasting Tipping Points with AI
Een AI-model kan leren herkennen wanneer de aangehechte stroming rond een vleugel een plotselinge overgang naar stall nadert.