ලාභ:
- ප්රතිලෝමයේ වැරදි සහ බහු අවයවික ස්වභාවය සහ දත්ත ගැලපීම සහ විධිමත් කිරීම අතර සමතුලිතතාවය තේරුම් ගන්න.
- සත්ය ඉදිරි ආකෘති නිර්මාණය සමඟින් AI ත්වරණය (ආදේශක ආකෘතිය, පෙර උගත්) වලංගු කිරීමට සහ පැනවූ භූ විද්යාව හඳුනා ගැනීමේ හැකියාව
- ප්රතිඵලය තනි ආකෘතියකට වඩා අවිනිශ්චිත ව්යාප්තියක් ලෙස වාර්තා කිරීමට සහ විභේදනය/සංවේදීතාව සහ දත්ත පරිශ්ර වෙන් කිරීම පෙන්වීමේ හැකියාව
භූ භෞතික විද්යාවේ ගැඹුරුම ප්රශ්නය නම්: මතුපිටින් මා මනින දත්ත නිපදවන උප පෘෂ්ඨ ආකෘතිය කුමක්ද? මෙම ප්රශ්නයට පිළිතුරු දීම ප්රතිලෝම ලෙස හැඳින්වේ. ඉදිරි ආකෘතිකරණය දන්නා උප මතුපිට ආකෘතියකින් අපේක්ෂිත දත්ත ගණනය කරන අතර, ප්රතිලෝම ආකෘතිකරණය ප්රතිවිරුද්ධ දේ කරයි: එය නිරීක්ෂිත දත්ත වලින් උප මතුපිට ආකෘතිය ඇස්තමේන්තු කරයි. මෙම ඒකකය තුළ, ඔබ කෘතිම බුද්ධිය (AI) ප්රතිලෝම වේගවත් කරන ආකාරය ඉගෙන ගනු ඇත, ආදේශක ආකෘති සමඟ පැය වෙනුවට තත්පර ගත වේ; නමුත් ප්රතිලෝමයේ ආවේනික බහුශ්රැතභාවය සහ අපැහැදිලි බව නිසා AI ප්රතිදානය කිසි විටෙකත් “එක් සත්ය ආකෘතියක්” ලෙස කියවිය නොහැක්කේ මන්දැයි අපි බලමු.
ප්රතිලෝම විසඳුමේ මූලික ආතතිය
ප්රතිලෝම ගැටළුවක් නොවේ; එය වැරදි ගැටලුවකි: එයට විසඳුමක් නොමැති විය හැකිය, එකකට වඩා තිබිය හැකිය, නැතහොත් දත්තවල කුඩා ශබ්දයක් ආකෘතියේ විශාල වෙනසක් ඇති කළ හැකිය. එබැවින්, ප්රතිලෝම බල දෙකක් තුලනය කරයි: දත්ත නොගැලපීම (ආකෘතිය මගින් නිපදවන දත්ත නිරීක්ෂණය කරන ලද දත්ත වලට කෙතරම් සමීපද යන්න) සහ විධිමත් කිරීම (ආකෘතියට "පිළිබඳ" බාධාවක් එක් කිරීම, උදා: සුමට බව හෝ විමර්ශන ආකෘතියට සමීප වීම). ඕනෑවට වඩා දත්ත සවි කිරීම ද ආකෘතියට ශබ්දය හඳුන්වා දෙයි; ඕනෑවට වඩා විධිමත් කිරීම සැබෑ ව්යුහය මකා දමයි. මෙම ශේෂය සැකසීම (උදා: බර ලැම්ඩා විධිමත් කිරීම) සම්පූර්ණ අර්ථ නිරූපණයට බලපායි.
AI ප්රතිලෝම වේගවත් කරන්නේ කෙසේද?
සම්භාව්ය ප්රතිලෝම මාදිලිය සිය ගණනක් සිට දහස් වාරයක් ඉදිරියට ගෙන යාමෙන් ආකෘතිය පුනරුච්චාරණය කරයි; ත්රිමාණ විද්යුත් චුම්භක හෝ සම්පූර්ණ තරංග ප්රතිලෝම වලදී මෙය පැය සිට දින දක්වා ගත හැක. AI ක්රම තුනකින් වේගවත් කරයි:
- ආදේශක ආකෘතිය (ආදේශක/ඉමුලේටරය): වේගවත් පූර්ව-පුහුණු කළ ස්නායු ජාලයක් සමඟ බර ඉදිරි ගණනය කිරීම ආසන්න කිරීම මගින් චක්රය කෙටි කිරීම.
- පෙර උගත්: විධිමත් කිරීම වෙනුවට යථාර්ථවාදී භූ විද්යාත්මක ආකෘතිවලින් ඉගෙන ගත් "විශ්වාසනීය" සීමාවක් භාවිතා කිරීම.
- සෘජු අනුමාන (අවසානයේ සිට අවසානය): දත්ත වලින් ආකෘතියට සෘජු සිතියම්ගත කිරීමක් ඉගෙන ගන්නා ජාල සමඟ ක්ෂණික පුරෝකථනය (උදා: සමහර 1D ප්රතිලෝමවල).
එක් එක් වේගය එකතු කරයි, නමුත් එක් එක් නව අවදානමක් හඳුන්වා දෙයි: ආදේශක ආකෘතිය පුහුණු පරාසයෙන් පිටත වැරදියි; පෙර උගත් අයට පුහුණු කට්ටලයේ භූ විද්යාව දත්ත මත පැටවිය හැක (නොපවතින ව්යුහය "පිළිගත හැකි" ලෙස නිෂ්පාදනය කිරීම); සෘජු අනුමාන කිරීම් එහි විශ්වාසය අධිතක්සේරු කළ හැකිය.
ඉඟිය: AI-වේගවත් ප්රතිලෝමයක ප්රතිඵලයක් පිළිගැනීමට පෙර, ප්රතිඵලය වන ආකෘතිය සැබෑ (භෞතික) ඉදිරි ආකෘති නිර්මාණය හරහා තබා එය නිපදවන දත්ත නිරීක්ෂණය කරන ලද දත්ත සමඟ සංසන්දනය කරන්න. ආදේශක ආකෘතිය "ගැලපෙන" යැයි පවසන විසඳුමක් සැබෑ භෞතික විද්යාවේ නිරීක්ෂණය කරන ලද දත්ත රඳවා නොගන්නේ නම්, එම විසඳුම වලංගු නොවේ.
අවිනිශ්චිතතාවය මැනීම: බෙදා හැරීම, තනි ආකෘතියක් නොවේ
හොඳ ප්රතිලෝමයක ප්රතිදානය තනි ආකෘතියක් නොව, හැකි ආකෘති පවුලකි. අවිනිශ්චිතතාවය මැනීමේ ක්රම: විවිධ ආරම්භක මාදිලි, විවිධ විධිමත් කිරීමේ බර සහ සම්භාවිතා ප්රවේශයන් සහිත බහු ධාවන (උදා: Bayesian ප්රතිලෝම - සම්භාවිතා ව්යාප්තියක් ලෙස ප්රතිඵලය ලබා දෙන ප්රවේශයක්; පසුපස බෙදා හැරීම). AI හට මෙම ව්යාප්තිය නියැදීම වේගවත් කළ හැක (උදා., හැකි මාදිලි විශාල සංඛ්යාවක් උත්පාදනය කිරීම). අරමුණ "භූගත මෙහෙමයි" කීම නොව, "මෙම පරාසය තුළ සහ මෙම කලාපවල මෙම විශ්වාසය සමඟ භූගතව මෙසේය".
අවවාදයයි: වඩා "තියුණු සහ සවිස්තරාත්මක" ප්රතිලෝම සිතියමක් පෙනෙන තරමට, එය විධිමත් කිරීමේ තීරණය සහ පරිශ්රය මත රඳා පවතී. තියුණු බව නිරවද්යතාව නොවේ. ආකෘතියේ කුමන කලාපය දත්ත මගින් තීරණය කරන්නේද සහ පූර්ව/ක්රමවත්කරණය (විභේදන විශ්ලේෂණය) මගින් වෙන්කර හඳුනා ගන්න.
විභේදනය සහ සංවේදීතාව
සෑම ප්රතිලෝම ආකෘතියකම සෑම සෛලයක්ම සමානව විශ්වාසදායක නොවේ. සංවේදීතාව යනු ආකෘතියේ එම කලාපයට දත්ත කෙතරම් ප්රතිචාර දක්වනවාද යන්නයි; දත්තවලට "පෙනීමට" නොහැකි (අඩු සංවේදීතාව) ප්රදේශ සම්පූර්ණයෙන්ම පරිශ්රයෙන් පුරවා ඇති අතර සැබෑ තොරතුරු රැගෙන නොයයි. ඉක්මන් විසඳුම් නිපදවන අතරතුර AI හට මෙම වෙනස සැඟවිය හැක. එබැවින්, ලැබෙන ආකෘතියට යාබදව විභේදනය/සංවේදීතා සිතියමක් ඇතුළත් කළ යුතුය.
කුඩා නඩු තුනක්
නඩුව 1 - පැය සිට තත්පර දක්වා. චුම්බක (MT — ස්වභාවික විද්යුත් චුම්භක ක්ෂේත්රය සමඟ භූගත ප්රතිරෝධය මැනීමේ ක්රමය) ව්යාපෘතියක, ත්රිමාණ ප්රතිලෝම ධාවනයට පැය 9ක් ගත විය. කණ්ඩායම ඉදිරි ගිණුම ප්රොක්සි ජාලයක් සමඟ ප්රතිස්ථාපනය කර, අවස්ථා ස්කෑන් කිරීම මිනිත්තු ගණනකට අඩු කළේය. නමුත් ඔවුන් සැබෑ භෞතික විද්යාව සහ තහවුරු කළ දත්ත යෝග්යතාවය සමඟින් අවසාන ආකෘතිය නැවත ධාවනය කළහ; ඔවුන් ප්රොක්සි අක්රිය වූ ගැඹුරු කලාපයක් 3% කින් අතින් නිවැරදි කරන ලදී.
නඩුව 2 - පැනවූ භූ විද්යාව. වැලිගල් ද්රෝණි වලින් උගත් පරිශ්රයක් කාබනේට් ක්ෂේත්රයක භාවිතා කරන ලද අතර දත්ත එයට සහාය නොදක්වන නමුත් ප්රතිලෝමව සුමට ස්ථර ව්යුහයක් ඇති කළේය. චිත්තවේගී සිතියම පෙන්නුම් කළේ මෙම ව්යුහය හරියටම දත්ත නොපෙනෙන ගැඹුරු කලාපයේ ඇති බවයි: ව්යුහය පැමිණියේ දත්ත නොව පරිශ්රයෙන්. පරිශ්රය වෙනස් වූ විට, ආකෘතිය යථාර්ථවාදී විය.
නඩුව 3 - තියුණුබව වැරදියි. කණ්ඩායම් දෙකක් එකම ගුරුත්වාකර්ෂණ දත්ත ආපසු හරවා විසඳා ඇත. පහත් නිත්යකරණය සහිත ද්රාවණය තියුණු ලෙස පිටතට පැමිණියේය, ඉහළ නිත්යකරණයක් සහිත ද්රාවණය හකුරු ලෙස පිටතට පැමිණියේය; දෙකම දත්ත සමානව ගැලපේ. තීරණය වූයේ බහුඅවයව පිළිගැනීම සහ ජලාශ ගණනය කිරීමේදී ආකෘති දෙකම ඇතුළත් කිරීමයි; එක් ආකෘතියක් තුළ අගුලු දැමීම අවදානම සැඟවිය හැක.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ප්රතිලෝම විසඳුම් ස්ථාපන උපදේශනය:
ඔබේ කාර්යභාරය: ආපසු හැරවීමේ විශේෂඥයා. ගැටලුව: [1D/2D/3D, ක්රමය: MT / භූ කම්පන / ගුරුත්වය]. ප්රතිලෝම විසඳුමේ අහිතකර බව මට පැහැදිලි කරන්න; දත්ත යෝග්යතාවය සහ විධිමත් කිරීම සමතුලිත කරන්නේ කෙසේද, කුමන නිර්ණායක (L-වක්රය, හරස් වලංගුකරණය) මඟින් මම විධිමත් කිරීමේ බර තෝරා ගන්නේද? පියවරෙන් පියවර ලියන්න.
2) ආදේශක ආදර්ශ සත්යාපනය:
මම AI ආදේශක ආකෘතියක් සමඟින් ඉදිරි ආකෘති නිර්මාණය වේගවත් කළෙමි. මෙම ප්රොක්සිය විශ්වසනීය වන පරාමිති පරාසය තීරණය කරන්නේ කෙසේද? සැබෑ භෞතික විද්යාව සමඟ ප්රතිඵලය තහවුරු කරන්නේ කෙසේද, ප්රොක්සි අපගමනය වන කලාපය ග්රහණය කරන්නේ කෙසේද? සත්යාපන ප්රොටෝකෝලයක් යෝජනා කරන්න.
3) අවිනිශ්චිතතා ගවේෂණය:
මගේ ප්රතිලෝම විසඳුම තනි රටාවක් ලබා දුන්නේය. අවිනිශ්චිතතාවය හඳුන්වා දීම සඳහා විවිධ ආරම්භක මාදිලි, විවිධ විධිමත් කිරීමේ බර සහ සම්භාවිතා නියැදි භාවිතා කරන්නේ කෙසේද? "තනි මාදිලිය" වෙනුවට "ආකෘති පවුල + විශ්වාස අන්තරය" ලෙස ප්රතිඵලය වාර්තා කරන්නේ කෙසේද?
4) විභේදනය වෙන් කිරීම:
මගේ ප්රතිලෝම ආකෘතියේ කුමන කලාපය දත්ත මගින් තීරණය කරන්නේද සහ එය පරිශ්රය/ක්රමවත් කිරීම මගින් තීරණය කරන්නේද යන්න මට වෙන් කිරීමට අවශ්යයි. මම සංවේදීතාව/විභේදන විශ්ලේෂණ සකස් කරන්නේ කෙසේද සහ වාර්තාවේ අඩු සංවේදී ප්රදේශ සලකුණු කරන්නේ කෙසේද?
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මෙම දත්ත ආපසු හරවා විසඳා භූගත ආකෘතිය ලබා දෙන්න.
එක් ආකෘතියක් බලා සිටියි; එය අපැහැදිලි බව සහ අපැහැදිලි බව සඟවයි, එහි ප්රතිඵලයක් ලෙස දැඩි නමුත් පිළිගත නොහැකි නිගමනයක් ඇති වේ.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: ආපසු හැරවීමේ විශේෂඥයා. දත්ත: [ගුරුත්වාකර්ෂණ පැතිකඩ + 2 හොඳින් ඝනත්වය]. කාර්යය: (1) දත්ත යෝග්යතා-ක්රමවත්කරණය තුලනය කිරීමෙන් විමර්ශන ආකෘතියක් නිෂ්පාදනය කිරීම; (2) අවම වශයෙන් විකල්ප ආකෘති තුනක් ව්යුත්පන්න කිරීමට සහ ඒවා සියල්ල දත්තවලට ගැලපෙන බව පෙන්වීමට විධිමත් කිරීමේ බර වෙනස් කරන්න; (3) එක් එක් ආකෘතියේ කුමන කලාපය දත්ත මගින් සහ කුමන පරිශ්රය මගින් තීරණය කරනු ලැබේ. ප්රතිඵලය තනි නිවැරදි ආකෘතියක් ලෙස ඉදිරිපත් නොකරන්න; අවිනිශ්චිත පරාසයක් සමඟ දෙන්න.
විකල්ප ආකෘති සඳහා ඇති ඉල්ලුම, දත්ත ගැලපීම සහ විභේදනය වෙන් කිරීම ප්රතිලෝම විසඳුම අවංක කරයි.
ප්රතිලෝම ප්රවේශයන්
ප්රවේශය
වේගය
ප්රධාන අවදානම
සත්යාපනය
සම්භාව්ය පුනරාවර්තනය
මන්දගාමී
දේශීය අවම
බහු ආරම්භය
ආදේශක ආකෘතිය
ඉතා වේගවත්
පරාසයෙන් බැහැර අපගමනය
සැබෑ භෞතික විද්යාව මගින් තහවුරු කර ඇත
උගත් පරිශ්රය
වේගවත්
භූ විද්යාව පැනවීම
සංවේදීතා සිතියම
බයේසියානු/සම්භාවිතා
මධ්යම
ගිණුම් පිරිවැය
පසුපස බෙදා හැරීම
පොදු වැරදි
- එකම ආකෘතිය සැබෑ යැයි සිතීම. ප්රතිලෝම විසඳුම බොහෝ අර්ථවත් කරයි; විකල්ප උත්පාදනය කරන්න.
- අන්ධ ලෙස ආදේශක ආකෘතිය අනුගමනය කිරීම. සැබෑ ඉදිරි ආකෘති නිර්මාණය සමඟ ප්රතිඵලය තහවුරු නොකර අවසන් නොකරන්න.
- පූර්විකාව ප්රශ්න නොකරයි. උගත් පරිශ්රය දත්ත මගින් සහාය නොදක්වන ව්යුහයක් නිපදවිය හැක.
- නිරවද්යතාවය සඳහා තියුණු බව වැරදියි. විස්තරය විධිමත් කිරීමේ තීරණය මත රඳා පවතී.
- යෝජනාව සැඟවීම. අඩු සංවේදී ප්රදේශ සත්ය තොරතුරු ලෙස ඉදිරිපත් නොකරන්න.
සාරාංශයක් ලෙස
ප්රතිලෝම යනු භූ භෞතික විද්යාවේ දත්ත සිට ආකෘතිය දක්වා සංක්රාන්ති පියවර වන අතර එය නෛසර්ගිකව වැරදි, බහු අවයවික ගැටලුවකි. AI; ආදේශක ආකෘති මෙම ක්රියාවලිය උගත් පෙර සහ සෘජු අනුමාන කිරීම් සමඟ නාටකාකාර ලෙස වේගවත් කරයි. නමුත් සෑම ත්වරණයක්ම නව අවදානමක් දරයි: සීමාවෙන් පිටත ප්ලාවිතය, පනවන ලද භූ විද්යාව, අතිශයෝක්තියට පත් වූ විශ්වාසය. නිවැරදි භාවිතය; විකල්ප ආකෘති උත්පාදනය කිරීම, සැබෑ භෞතික විද්යාව සමඟ තහවුරු කිරීම, බෙදාහැරීමක් ලෙස අවිනිශ්චිතතාවය වාර්තා කිරීම සහ විභේදනය හුදකලා කිරීම. ප්රතිලෝම විසඳුමේ ප්රතිදානය තනි සත්යයක් නොව විශ්වාසයෙන් සීමා වූ ආකෘති පවුලකි.
යෙදුම් කාර්යය
ප්රතිලෝම ගැටලුවක් තෝරන්න (1D ප්රතිරෝධය, ගුරුත්වාකර්ෂණ පැතිකඩ, ආදිය). “ප්රතිවර්තන විසඳුම් සැකසීම් උපදේශනය” අච්චුව සමඟ දත්ත අනුකූලතා-ක්රමවත්කරණ වෙළඳාම සඳහා සැලසුම් කරන්න. ඉන්පසුව "Uncertainty exploration" අච්චුව සමඟ අවම වශයෙන් විකල්ප ආකෘති තුනක් ජනනය කිරීම සඳහා ක්රියා පටිපාටියක් සාදන්න සහ ඒවා දත්ත වලට ගැලපෙන පරිදි සංසන්දනය කරන්න. දත්ත මගින් තීරණය කරන්නේ කුමන කලාපයද සහ පරිශ්රය මගින් තීරණය වන්නේද යන්න ඔබ වෙන්කර හඳුනා ගන්නේ කෙසේද යන්න ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම දැනුවත්ව දත්ත අනුකූලතාවය සහ විධිමත් කිරීම අතර සමතුලිතතාවය ඇති කර ගත්තෙමි.
- [ ] මම අවම වශයෙන් විකල්ප ආකෘති තුනක් නිෂ්පාදනය කළ අතර ඒවා දත්ත සමඟ සසඳා බැලුවෙමි.
- [ ] මම සැබෑ භෞතික විද්යාව සමඟ ආදේශක/AI ත්වරණය තහවුරු කළෙමි.
- [ ] මම විභේදනය/සංවේදීතා සිතියම සමඟ දත්ත-පරිශ්රය වෙන් කිරීම පෙන්වුවෙමි.
- [ ] මම ප්රතිඵලය වාර්තා කළේ අවිනිශ්චිතතා පරාසය සමඟ මිස තනි මාදිලියක් නොවේ.