Informaticienii au creat un inteligenţă artificială (AI) care poate prezice apariția unor puncte de răsturnare catastrofale – și doresc să-l folosească pentru a prognoza colapsul ecologic, prăbușirile financiare, pandemiile și întreruperile de curent.
„Dacă o viitoare tranziție critică poate fi prognozată, atunci ne putem pregăti pentru schimbare sau poate chiar prevenim tranziția și, astfel, atenuăm daunele”, autorul principal al studiului. Gang Yanprofesor de informatică la Universitatea Tongji din Chinaa spus Live Science. „Acest lucru ne-a motivat să dezvoltăm o abordare AI pentru a prezice debutul unor astfel de tranziții bruște cu mult înainte de a se întâmpla.”
Cercetătorii și-au publicat concluziile pe 15 iulie în jurnal Analiza fizică X
Punctele de basculanță sunt schimbări bruște dincolo de care un sistem localizat, sau mediul său, se schimbă într-o stare nedorită din care este dificil să se întoarcă. De exemplu, dacă calota de gheață din Groenlanda s-ar prăbuși, ar reduce și zăpada în partea de nord a insulei, ridicând drastic nivelul mării și facând irecuperabile părți mari ale foii.
Cu toate acestea, știința din spatele acestor transformări dramatice este prost înțeleasă și adesea se bazează pe modele suprasimplificate, ceea ce face dificile predicțiile precise. Anterior, oamenii de știință foloseau statisticile pentru a evalua puterea și rezistența în scădere a sistemelor prin fluctuațiile lor crescânde. Dar rezultatele studiilor care folosesc astfel de metode statistice sunt controversate.
Pentru a căuta o modalitate mai precisă de a prezice tranzițiile periculoase, cercetătorii din spatele noului studiu au combinat două tipuri diferite de rețele neuronale sau algoritmi care imită modul în care informațiile sunt procesate în creier. Primul a defalcat sistemele complexe în rețele mari de noduri care interacționează înainte de a urmări conexiunile dintre noduri; iar al doilea a urmărit modul în care nodurile individuale s-au schimbat în timp.
„De exemplu, într-un sistem financiar, un nod ar putea fi o singură companie; într-un sistem ecologic, un nod ar putea reprezenta o specie; într-un sistem de social media, un nod ar putea desemna un utilizator și așa mai departe”, a spus Yan. .
Deoarece punctele de vârf sunt greu de prezis, a ști unde să le cauți este la fel de dificil, ceea ce face ca datele din lumea reală despre tranzițiile critice bruște să fie rare. Pentru a-și antrena modelul, cercetătorii s-au îndreptat în schimb către punctele critice în cadrul sistemelor teoretice simple – inclusiv ecosisteme model și metronoame nesincronizate care, având suficient timp, încep să se leagăne împreună.
Odată ce rețeaua lor neuronală a înghițit suficiente date, cercetătorii i-au pus o problemă din lumea reală: transformarea pădurilor tropicale în savană. Luând peste 20 de ani de date satelitare din trei regiuni din Africa Centrală care au făcut această tranziție bruscă, oamenii de știință au furnizat algoritmului informații despre precipitații și acoperirea copacilor în două dintre regiuni.
Din aceste date, AI a prezis cu exactitate ce s-a întâmplat în a treia regiune, chiar și atunci când 81% din nodurile sistemelor (în acest caz bucăți de pământ) au rămas neobservate, au spus cercetătorii.
După ce au prezis cu succes un punct de vârf, cercetătorii caută acum modalități de a deconstrui cutia neagră a algoritmului pentru a găsi modelele pe care le-a observat. Apoi speră să-și aplice modelul și altor sisteme, cum ar fi incendiile, pandemiile și prăbușirile financiare.
O provocare în prezicerea sistemelor care implică oameni este că învățăm despre propriile noastre previziuni și reacționăm la acestea, alimentând predicțiile noastre înapoi în comportamentul nostru în moduri complexe.
„De exemplu, luați în considerare transportul urban: deși poate fi simplu să identificați drumurile aglomerate, anunțarea informațiilor despre congestionare în timp real tuturor șoferilor poate duce la haos”, a spus Gang. „Șoferii își pot modifica imediat traseele ca răspuns la informații, ceea ce ar putea ameliora aglomerația pe unele drumuri, dar, în același timp, poate crea congestie pe altele. Această interacțiune dinamică face predicția deosebit de complexă”.
Pentru a ocoli această problemă, cercetătorii spun că se vor concentra în schimb pe părți ale sistemelor umane care aparent nu sunt afectate de intențiile noastre. În exemplul rețelei de drumuri, acest lucru s-ar putea realiza prin analizarea rutelor care sunt mai aglomerate din cauza designului lor fundamental, mai degrabă decât a modului în care șoferii se comportă în ele.
„Folosirea AI pentru a capta aceste semnale fundamentale poate fi valoroasă pentru a face predicții”, a spus Yan. „Deși prezicerea unor astfel de sisteme este o provocare, merită, deoarece tranzițiile critice în sistemele implicate de oameni pot avea consecințe și mai grave”.