随着自然界快速变化，人类需要对其变化规律进行可靠、精准的预测，以最大限度减少对社会及维系人类生存的生态系统造成的有害影响。
各种规模的生态系统正变得愈发脆弱，濒临崩溃。例如，珊瑚礁正受到海水变暖、污染和过度捕捞的影响；全球约84%的珊瑚礁正遭受珊瑚白化，这是珊瑚对上述冲击产生的应激反应。
这些事件会迫使以珊瑚礁为栖息地的海洋生物流离失所或死亡，降低生物多样性，并通过重创依赖旅游业的经济、切断食物供应，对人类社会造成危害。
提前预判危害对于制定有效的管控和缓解策略至关重要，而现代人工智能与机器学习有望在这一领域发挥变革性作用。
然而，生态数据的稀缺性与不完整性，使得机器学习模型难以得到有效训练。亚利桑那州立大学(Arizona State University, ASU)电气工程专业博士生Zheng-Meng Zhai正致力于攻克这一难题，探索如何利用人工智能力量，更好地预测和预防生态系统崩溃。
作为ASU富尔顿工程学院的学生，Zheng-Meng Zhai主导了一项研究，旨在开发一种新方法，让人工智能算法在精准数据通常十分匮乏的情况下，仍能对生态系统做出准确预测。
在其博士论文导师、亚利桑那州立大学讲席教授Ying-Cheng Lai的指导下，他完成了这项研究。该研究因其重要的学术影响力，被国际学术期刊《美国国家科学院院刊》(Proceedings of the National Academy of Sciences of the United States of America，PNAS)录用并发表。
图：Ying-Cheng Lai教授（左）与其博士生Zheng-Meng Zhai（右）
着眼未来
“通常情况下，机器学习需要大量数据才能运行。” Zhai表示，“而生态系统可获取的数据往往十分稀疏，这一矛盾促使我们去寻找一种在数据稀缺时仍能做出精准预测的方法。”
他的研究实现了：在数据量仅为传统需求1/5～1/7的情况下，将机器学习算法的预测精度提升一倍。这一技术可应用于所有使用时间序列数据（对同一变量随时间进行连续测量记录）的场景，Zhai以洋流模拟等气候研究为例进行了说明。
“大西洋经向翻转环流(Atlantic Meridional Overturning Circulation, AMOC)是一个重要的洋流系统，它帮助维持北欧和北美东部相对温暖宜居的气候，但科学家对其运行规律的记录既短暂又不完整。” Zhai说道，“一旦AMOC减弱或崩溃，可能在全球范围内产生重大影响。我们的方法有望改善这类场景下的变化预测。”
除气候科学外，该成果还可用于：传染病传播建模，助力公共卫生部门采取必要防护措施，保障民众安全；交通流量预测，帮助交通规划部门维持道路畅通。
给AI “因材施教”
为解决这些难题，Zhai与Lai教授共同开发了元学习方法(Meta-learning method)，让机器学习算法以全新方式进行学习。传统机器学习算法依靠单一完备数据集完成特定任务，但在面对难以预测的自然现象时明显受到限制。
元学习的运行逻辑更接近人类学习方式，让算法从大量相关任务中整合经验。Zhai使用多种混沌模拟数据集，这些数据集由计算机生成，旨在模拟真实世界中复杂且不可预测的环境条件。
经过这些模拟数据训练后，基于元学习的机器学习算法能够在可用数据极少的情况下，”理解“生态系统的运行规律并做出推断。该算法的学习过程依托一种延时前馈神经网络(time-delay feed-forward neural network)，其设计理念模拟人类大脑的工作方式，从而提升模型在复杂系统分析中的表现。
机器学习领域的光明前景
在即将进行博士论文答辩之际，Zhai在元学习方法方面的研究，成为其高产且卓有成效的学术生涯中的最新成果。他已在包括 Nature Communications 和 PRX Energy 在内的国际学术期刊上发表论文十余篇。
未来，他计划继续深耕该研究领域，进一步拓展相关方法在更多系统行为预测中的应用，涵盖气候系统中其他类型的不稳定性、生态系统崩溃以及基础设施网络等方向。
“Zhai已成长为将机器学习应用于复杂非线性动力系统领域的专家。”他是这一交叉学科领域公认的青年学术新星。”Lai教授评价道。
Zhai表示，自己的研究成果能发表在《美国国家科学院院刊》这样的顶级期刊上，深感荣幸。
“研究成果得到PNAS的认可，让我深受鼓舞，这也是我学术生涯中的一个重要里程碑。”他说，“希望此次在这一高影响力期刊上的发表，能够让我们的研究方法被更广泛的科学界同行了解，进一步促进学术交流与合作，并激励未来在数据受限系统领域开展更多研究。”
关闭
