建立与气候、机器或宇宙相关的精确模型需要复杂的数学。这就是爱达荷州立大学教授尤里·格里亚津(YuryGryazin)和他的学生等人介入的地方。

最近，数值分析和科学计算专家Gryazin和他在加州伯克利实验室和德克萨斯州莱斯大学的合作者开始研究与模拟和计算机建模相关的新型机器学习算法。为了支持这项工作，美国能源部根据新设立的“复杂系统的科学机器学习”计划向该团队提供了400万美元的资助。数字模型广泛用于STEM学科，可以模拟从地球天气、地震波运动到粒子加速器和核反应堆运行的一切内容。

“实际上，每一个新的发展都首先使用先进的数值方法进行建模，”格里亚津说。“最近，机器学习算法的重大进展为开发更快、更准确的模拟计算方法开辟了新的方向。”

格里亚津和他的学生专注于模拟问题的不确定性量化部分。典型的不确定性量化问题包括认证、预测、模型和软件验证和确认、参数估计、数据同化等。不确定性量化可以帮助研究人员确定模型预测的可靠性。

格里亚津说：“你可能见过误差幅度为正负一定百分比的调查或民意调查。”“不确定性量化与此类似，只不过它用于模型和模拟。”

由于许多模型的开发有时需要来自数百万甚至更多数据点的数据，因此寻找这些科学模型的误差幅度比一般调查复杂得多。格里亚津和学生们将使用先进的应用数学和统计学方法，在已知的数据上创建和训练新的神经网络算法(一种结构类似于人脑的机器学习)，并随后测试他们的方法。在测试过程中，算法的成功或失败将取决于在给定初始训练集中不存在的一组新的现实数据时，它能够预测正确结果的程度。具体来说，他们将使用用于地下成像系统的算法，例如用于检测地雷、气穴、污染物等的算法。来自爱达荷州立大学多个学科的三名学生将参与该项目。

“与伯克利实验室等知名机构的专家合作的新机会提供了宝贵的学习机会，”机械工程专业的大三学生阿迪尔·艾哈迈德(AdilAhmed)说。“此外，与该领域的领先研究人员一起工作使这个项目特别令人兴奋。”

该小组希望在2024年底之前发布初步结果，届时他们将开发和测试第一个新的地下神经网络算法。

格里亚津说：“从事该项目的学生将获得宝贵的经验，与来自该国顶级科学中心的世界级研究人员合作，解决令人兴奋的新研究领域的重要问题。”