如果在生物恐怖袭击中释放出有毒气体，那么通过湍急的风，温度变化和不稳定的蓝紫色来预测其分子路径的能力可能意味着生命或死亡。了解城市在20年内将如何增长和变化可能会导致更可持续的规划和负担得起的住房。
推导出解决这些问题的方程式-将所有相关力加在一起-充其量是很难做到几乎不可能的，而在最坏的情况下实际上是不可能的。但是机器学习可以提供帮助。
圣路易斯华盛顿大学麦克凯尔维工程学院的研究人员利用气溶胶颗粒在整个通量系统中的运动，设计了一种基于深度学习方法的新模型，该模型可以帮助研究人员预测混沌系统的行为，无论这些系统是在实验室，牧场还是其他地方。
能源，环境和化学工程学助理教授 Rajan Chakrabarty说：“这就是气溶胶的美。” “这不仅仅是一门学科，它只是漂浮在空中的基本粒子，而您只是观察到混乱。”
该研究发表在《气溶胶科学杂志》上，作为封面文章 。
Chakrabarty和他的团队-博士后研究员Pai Liu和当时的伊利诺伊理工学院博士研究生Gan Jingwei-测试了两种深度学习方法，并确定了生成对抗网络产生了最准确的结果。这种AI首先被提供有关现实世界过程的信息，然后根据该数据创建该过程的模拟。
在博弈论的激励下，一个生成对抗网络既接收了地面真实数据(真实数据)，又接收了随机生成的数据(虚假数据)，并试图确定哪些是真实数据，哪些是虚假数据。
此过程重复多次，提供反馈，并且整个系统在生成对其进行训练的数据匹配方面变得越来越好。
描述气溶胶颗粒通过湍流系统的混沌运动在计算上是昂贵的，因此Chakrabarty和他的团队需要真实的数据(一个真实的例子)来训练其系统。这是喷雾剂进入的地方。
该团队在Chakrabarty实验室中使用了浮力相对的火焰来创建可以训练AI的示例。Chakrabarty说：“在这种情况下，我们通过引入浮力和温差来实验性地给系统增加了混乱。” 然后，他们打开了高速相机，并记录了烟尘颗粒蜿蜒穿过，拉近并射过火焰的3D轨迹数据集。
他们利用来自火室的数据训练了两种人工智能模型：变分自动编码器方法和生成对抗网络(GAN)。然后，每个模型都会产生自己的仿真。只有GAN的轨迹反映了实验中发现的统计特征，从而产生了逼真的模拟混沌气溶胶颗粒。
Chakrabarty的深度学习模型不仅可以模拟烟灰或化学物质一旦释放到大气中后将在何处散布。他说：“您会看到许多此类混乱的例子，从觅食动物到大气污染物和生物威胁的运输，再到搜救策略。”
实际上，实验室现在正在与一名精神科医生合作，研究治疗抽动综合征儿童的疗效。Chakrabarty解释说：“抽动症是混乱的，因此典型的临床试验设置可能无法有效地确定药物的疗效。
这种新的深度学习模型的广泛应用不仅说明了人工智能的力量，而且还可以说出有关现实的更多信息。
他说：“混乱或秩序取决于情人的眼神。” “这告诉您，有某些法律支配着我们周围的一切。但是它们是隐藏的。
“您只需要发现它们即可。”