Kỹ thuật dựa trên Vật lý và Bài toán "Hộp đen" Máy học

Trong MIT 2.C161, George Barbastathis chứng minh cách các kỹ sư cơ khí có thể sử dụng kiến thức của họ về các hệ thống vật lý để kiểm soát các thuật toán và phát triển các dự đoán chính xác hơn.

Các thuật toán học máy thường được gọi là “hộp đen”. Khi dữ liệu được đưa vào một thuật toán, không phải lúc nào cũng biết chính xác cách thuật toán đi đến dự đoán của nó. Điều này có thể gây khó chịu đặc biệt khi mọi thứ diễn ra không như ý muốn. Một khóa học kỹ thuật cơ khí (MechE) mới tại MIT dạy sinh viên cách giải quyết vấn đề “hộp đen”, thông qua sự kết hợp giữa khoa học dữ liệu và kỹ thuật dựa trên vật lý.

Trong lớp 2.C161 (Lập mô hình và Thiết kế Hệ thống Vật lý bằng Máy học), Giáo sư George Barbastathis chứng minh cách các kỹ sư cơ khí có thể sử dụng kiến thức độc đáo của họ về các hệ thống vật lý để kiểm tra các thuật toán và phát triển các dự đoán chính xác hơn.

“Tôi muốn chọn 2.C161 vì các mô hình học máy thường là một“ hộp đen ”, nhưng lớp học này đã dạy chúng tôi cách xây dựng một mô hình hệ thống được thông tin bởi vật lý để chúng tôi có thể nhìn vào bên trong,” Crystal Owens, một nhà cơ học giải thích sinh viên tốt nghiệp kỹ thuật tham gia khóa học vào mùa xuân năm 2021.

Là chủ tịch Ủy ban Tích hợp Chiến lược Khoa học Dữ liệu vào Kỹ thuật Cơ khí, Barbastathis đã có nhiều cuộc trò chuyện với các sinh viên, nhà nghiên cứu và giảng viên ngành kỹ thuật cơ khí để hiểu rõ hơn về những thách thức và thành công mà họ đã đạt được khi sử dụng máy học trong công việc của mình.

“Một nhận xét mà chúng tôi thường xuyên nghe thấy là những đồng nghiệp này có thể thấy giá trị của các phương pháp khoa học dữ liệu đối với các vấn đề mà họ đang gặp phải trong nghiên cứu tập trung vào kỹ thuật cơ khí của họ; nhưng họ đang thiếu các công cụ để tận dụng nó, Barbastathis nói. “Kỹ sư cơ khí, dân dụng, điện và các loại kỹ sư khác muốn có hiểu biết cơ bản về các nguyên tắc dữ liệu mà không cần phải chuyển đổi mình thành nhà khoa học dữ liệu toàn thời gian hoặc nhà nghiên cứu AI”.

Ngoài ra, khi sinh viên kỹ thuật cơ khí chuyển từ MIT sang sự nghiệp của họ, nhiều người sẽ cần quản lý các nhà khoa học dữ liệu trong nhóm của họ vào một ngày nào đó. Barbastathis hy vọng sẽ giúp những học sinh này thành công với lớp 2.C161.

Cầu nối MechE và Đại học Máy tính MIT Schwartzman

Lớp 2.C161 là một phần của “Lõi Máy tính” của Trường Cao đẳng Máy tính MIT Schwartzman. Mục tiêu của các lớp này là kết nối khoa học dữ liệu và các ngành kỹ thuật dựa trên vật lý, như kỹ thuật cơ khí. Sinh viên tham gia khóa học cùng với 6.C402 (Lập mô hình bằng Máy học: từ Thuật toán đến Ứng dụng), do các giáo sư về kỹ thuật điện và khoa học máy tính Regina Barzilay và Tommi Jaakkola giảng dạy.

Hai lớp học được giảng dạy đồng thời trong học kỳ, giúp sinh viên tiếp cận với cả kiến thức cơ bản về máy học và các ứng dụng cụ thể trong lĩnh vực kỹ thuật cơ khí.

Trong 2.C161, Barbastathis nhấn mạnh kỹ thuật dựa trên vật lý và khoa học dữ liệu bổ sung như thế nào. Các định luật vật lý đưa ra một số mơ hồ và ẩn số, từ nhiệt độ, độ ẩm đến lực điện từ. Khoa học dữ liệu có thể được sử dụng để dự đoán các hiện tượng vật lý này. Trong khi đó, hiểu biết về các hệ thống vật lý giúp đảm bảo kết quả đầu ra của một thuật toán là chính xác và có thể giải thích được.

“Điều cần thiết là sự hiểu biết kết hợp sâu hơn về các hiện tượng vật lý liên quan và các nguyên tắc của khoa học dữ liệu, đặc biệt là học máy, để thu hẹp khoảng cách,” Barbastathis nói thêm. “Bằng cách kết hợp dữ liệu với các nguyên tắc vật lý, cuộc cách mạng mới trong kỹ thuật dựa trên vật lý tương đối miễn nhiễm với vấn đề“ hộp đen ”mà các loại máy học khác phải đối mặt”.

Được trang bị kiến thức hoạt động về các chủ đề máy học được đề cập trong lớp 6.C402 và hiểu sâu hơn về cách kết hợp khoa học dữ liệu với vật lý, sinh viên được giao nhiệm vụ phát triển một dự án cuối cùng giải quyết cho một hệ thống vật lý thực tế.

Phát triển các giải pháp cho các hệ thống vật lý trong thế giới thực

Đối với dự án cuối cùng của họ, sinh viên trong 2.C161 được yêu cầu xác định một vấn đề trong thế giới thực đòi hỏi khoa học dữ liệu để giải quyết sự mơ hồ vốn có trong các hệ thống vật lý. Sau khi thu thập được tất cả dữ liệu liên quan, học sinh được yêu cầu chọn một phương pháp học máy, thực hiện giải pháp đã chọn, trình bày và phê bình kết quả.

Các chủ đề trong học kỳ vừa qua bao gồm dự báo thời tiết đến dòng chảy của khí trong động cơ đốt cháy, với hai nhóm sinh viên lấy cảm hứng từ đại dịch Covid-19 đang diễn ra.

Owens và các đồng đội của cô, các sinh viên tốt nghiệp Arun Krishnadas và Joshua David John Rathinaraj, bắt đầu phát triển một mô hình cho việc triển khai vắc xin Covid-19.

Owens giải thích: “Chúng tôi đã phát triển một phương pháp kết hợp mạng lưới thần kinh với mô hình dịch tễ học dễ bị nhiễm trùng-phục hồi (SIR) để tạo ra một hệ thống dự báo vật lý về sự lây lan của Covid-19 sau khi bắt đầu tiêm chủng.

Nhóm nghiên cứu đã tìm ra những ẩn số khác nhau bao gồm di chuyển dân số, thời tiết và môi trường chính trị. Cách tiếp cận kết hợp này dẫn đến dự đoán về sự lây lan của Covid-19 trong quá trình triển khai vắc-xin đáng tin cậy hơn so với việc chỉ sử dụng mô hình SIR hoặc mạng nơ-ron.

Một nhóm khác, bao gồm cả nghiên cứu sinh Yiwen Hu, đã phát triển một mô hình dự đoán tỷ lệ đột biến trong Covid-19, một chủ đề trở nên quá thích hợp khi biến thể delta bắt đầu phổ biến toàn cầu.

“Chúng tôi đã sử dụng công nghệ máy học để dự đoán tỷ lệ đột biến dựa trên chuỗi thời gian của Covid-19 và sau đó kết hợp nó như một thông số độc lập vào dự đoán động lực của đại dịch để xem liệu nó có thể giúp chúng tôi dự đoán tốt hơn xu hướng của Covid-19 hay không đại dịch, ”Hu nói.

Hu, người trước đây đã thực hiện nghiên cứu về cách rung động trên gai protein coronavirus ảnh hưởng đến tỷ lệ lây nhiễm, hy vọng sẽ áp dụng các phương pháp tiếp cận máy học dựa trên vật lý mà anh ấy đã học được trong 2.C161 vào nghiên cứu của mình về thiết kế protein de novo.

Bất cứ điều gì mà sinh viên hệ thống vật lý giải quyết trong các dự án cuối cùng của họ, Barbastathis đã cẩn thận nhấn mạnh một mục tiêu thống nhất: nhu cầu đánh giá các tác động đạo đức trong khoa học dữ liệu. Trong khi các phương pháp tính toán truyền thống hơn như nhận dạng khuôn mặt hoặc giọng nói đã được chứng minh là chứa đầy các vấn đề đạo đức, thì vẫn có cơ hội để kết hợp các hệ thống vật lý với học máy một cách công bằng và có đạo đức.

Barbastathis nói: “Chúng ta phải đảm bảo rằng việc thu thập và sử dụng dữ liệu được thực hiện một cách bình đẳng và toàn diện, tôn trọng sự đa dạng trong xã hội của chúng ta và tránh những vấn đề nổi tiếng mà các nhà khoa học máy tính trong quá khứ đã gặp phải.

Barbastathis hy vọng rằng bằng cách khuyến khích sinh viên kỹ thuật cơ khí vừa có đạo đức, vừa hiểu biết về khoa học dữ liệu, họ có thể tiếp tục phát triển các giải pháp và dự đoán đáng tin cậy, đúng đắn về mặt đạo đức cho các thách thức kỹ thuật dựa trên vật lý.

Theo Scitechdaily