به گزارش ایتنا و به نقل از وایرد، یو در سال ۲۰۱۷ با افتخار دکترای خود را با جایزهٔ بهترین پایاننامه به اتمام رساند و در ژانویهٔ گذشته، فقط چند روز پیش از خاتمهٔ دورهی ریاستجمهوری بایدن، موفق به دریافت نشان زودهنگام ریاستجمهوری برای پژوهشگران جوان شد.
لازم به ذکر است که یو در حال حاضر دانشیار دانشگاه کالیفرنیا در سندیگو بهشمار میآید و بهعنوان یکی از نوآوران برجستهی حوزهٔ «یادگیری عمیق هدایتشده با فیزیک» شناخته میشود—رشتهای که در آن، نسخههای فیزیکی در فرآیند طراحی شبکههای عصبی مصنوعی گنجانده میشود.
این روش نهتنها تکنیکهای جدیدی برای آموزش هوش مصنوعی را معرفی کرده، بلکه کاربردهای متنوعی در زمینههای عملی نیز دارد: از بهینهسازی پیشبینیهای ترافیکی با استفاده از دینامیک سیالات گرفته تا شبیهسازی طوفانها با سرعت بیشتر و پیشبینی روند گسترش کووید-۱۹.
رویای بزرگ یو طراحی مجموعهای از ابزارهای دیجیتال آزمایشگاهی است که آنها را «دانشمند هوش مصنوعی» مینامد. او از ادغام این ابزارها بهعنوان یک نوع «شراکت علمی» میان انسان و ماشین یاد میکند—شراکتی که بر اساس اصول فیزیکی استوار است و قادر به ایجاد کشفیات جدید خواهد بود.
یو دربارهٔ نخستین کوشش خود برای تلفیق فیزیک و یادگیری عمیق میگوید: «همهچیز از ترافیک آغاز شد. در زمان تحصیل دکترا، دانشگاه ما در مجاورت تقاطعهای I-10 و I-110 قرار داشت و ترافیک بسیار سنگینی در آنجا وجود داشت. در سال ۲۰۱۶ به این فکر افتادم که آیا میتوانم این مشکل را حل کنم.»
در آن مقطع، یادگیری عمیق—که از شبکههای چندلایه برای شناسایی الگوها در دادهها بهره میگیرد—به اوج توجه عمومی رسیده بود. با این حال، تمرکز بیشتر بر تصاویر بود، در حالیکه ترافیک پدیدهای پویا به شمار میرفت. یو و همکارانش بهطرز نوآورانهای به این موضوع نگریستند: آنها ترافیک را بهعنوان یک فرآیند پخش مشابه با حرکت سیال در نظر گرفتند، اما نوآوری اصلی آنها این بود که کل شبکهٔ جادهای را بهعنوان یک گراف ریاضی مدلسازی کردند.
در این مدل، حسگرهای ترافیکی به عنوان گرههای گراف و جادهها به عنوان یالهای آن عمل میکنند. با گرفتن عکسهای متناوب هر پنج دقیقه از این گراف، میتوان تغییرات ترافیک را مشاهده و پیشبینی کرد.
با بهرهمندی از مجموعه دادههای وسیع لسآنجلس که توسط استاد راهنمایش سیروس شهابی گردآوری شده بود، مدل یو توانست پیشبینیهایی برای یک ساعت آینده ارائه دهد—در حالیکه مدلهای قبلی تنها قادر به پیشبینی ۱۵ دقیقه آینده بودند. این مدل در سال ۲۰۱۸ توسط گوگل مپس بهکار گرفته شد و خود یو نیز بهعنوان پژوهشگر مهمان مدتی بعد به گوگل دعوت شد.
در همان سال، مسیر شغلی یو به مدلسازی اقلیمی تغییر پیدا کرد. او در آزمایشگاه ملی لارنس برکلی سخنرانی داشت و پس از آن با دانشمندان این آزمایشگاه دربارهٔ موضوعی به عنوان حوزه آزمایش هوش مصنوعی هدایتشده با فیزیک به گفتوگو پرداخت. آنها توانستند پیشبینیهایی در زمینه جریانهای آشفته—که یکی از اجزای کلیدی در مدلهای اقلیمی و منابع اصلی عدم قطعیت به شمار میآید، ارائه دهند.
جریانهای آشفته را در زندگی روزمره به راحتی میتوان مشاهده کرد: بهعنوان مثال، هنگام ریختن شیر به قهوه و هم زدن آن. در اقیانوسها، این نوع از گردابها میتوانند هزاران کیلومتر وسعت داشته باشند. مدلهای کلاسیک برای پیشبینی چنین رفتارهایی معمولاً بر معادلات ناویر–استوکس متکی هستند—اما حل این معادلات دارای زمان محاسباتی بسیار بالایی است.
شبکههای عصبی عمیق قادر به «شبیهسازی» این محاسبات پیچیده و استخراج الگوها از دادهها هستند؛ بدون نیاز به تحلیلهای زمانبر. مدل یو توانست در فضای دو بعدی پیشبینیها را ۲۰ برابر سریعتر و در فضای سهبعدی هزار برابر سریعتر انجام دهد.
اما آشفتگی تنها به آب و هوا محدود نمیشود. در جریان خون نیز وجود دارد و میتواند منجر به سکته مغزی گردد. یو در دوران فوقدکتریاش در مؤسسهٔ کلتک، مقالهای در مورد کنترل پایداری پهپادها منتشر کرده، جایی که آشفتهها ناشی از برخورد جریان ملخ به زمین، ناپایداری ایجاد میکنند.