«Если можно спрогнозировать предстоящий критический переход, то мы сможем подготовиться к нему или, возможно, даже предотвратить его, а значит, уменьшить ущерб», — рассказал Live Science старший автор исследования Ган Ян, профессор информатики в Университете Тунцзи (Китай). «Это побудило нас разработать ИИ-подход, позволяющий предсказывать наступление таких внезапных переходов задолго до того, как они произойдут».
Свои выводы исследователи опубликовали 15 июля в журнале Physical Review X.
Переломные точки — это внезапные сдвиги, после которых локализованная система или ее окружение переходит в нежелательное состояние, из которого трудно вернуться. Например, если ледяной щит Гренландии разрушится, это также приведет к уменьшению количества снега в северной части острова, что резко повысит уровень моря и сделает значительные части щита невосстановимыми.
Однако наука, стоящая за этими драматическими трансформациями, плохо изучена и часто основывается на слишком упрощенных моделях, что затрудняет точные прогнозы. Ранее ученые использовали статистику, чтобы оценить уменьшение прочности и устойчивости систем по их растущим колебаниям. Однако результаты исследований с использованием таких статистических методов противоречивы.
Чтобы найти более точный способ предсказать опасные переходы, ученые в новом исследовании объединили два разных типа нейронных сетей, или алгоритмов, которые имитируют способ обработки информации в мозге. В первом случае сложные системы разбивались на большие сети, состоящие из взаимодействующих узлов, и отслеживались связи между ними, а во втором — изменения отдельных узлов с течением времени, Ирвин казино официальный сайт.
«Например, в финансовой системе узлом может быть отдельная компания; в экологической системе узел может обозначать вид; в системе социальных сетей узел может обозначать пользователя и так далее», — говорит Ян.
Поскольку переломные точки трудно предсказать, не менее трудно понять, где их искать, поэтому реальных данных о резких критических переходах мало. Чтобы обучить свою модель, исследователи обратились к переломным точкам в простых теоретических системах, включая модельные экосистемы и рассинхронизированные метрономы, которые при достаточном количестве времени начинают качаться вместе.
Когда нейронная сеть собрала достаточно данных, исследователи поставили перед ней задачу из реального мира: превращение тропических лесов в саванну. Взяв более чем 20-летние спутниковые данные из трех регионов Центральной Африки, где произошел этот внезапный переход, ученые скормили алгоритму информацию о количестве осадков и покрытии деревьев в двух из них.
На основе этих данных ИИ точно предсказал, что произойдет в третьем регионе, даже когда 81% узлов системы (в данном случае участки земли) остались без наблюдения, говорят исследователи.
Успешно предсказав один переломный момент, исследователи теперь ищут способы разобрать «черный ящик» алгоритма, чтобы найти обнаруженные им закономерности. Затем они надеются применить свою модель к другим системам, таким как лесные пожары, пандемии и финансовые крахи.
Одна из проблем прогнозирования систем с участием людей заключается в том, что мы узнаем о своих собственных прогнозах и реагируем на них, сложным образом отражая наши предсказания в своем поведении.
«Например, возьмем городской транспорт: хотя выявление перегруженных дорог может быть простым делом, объявление информации о пробках в реальном времени всем водителям может привести к хаосу», — говорит Ганг. «Водители могут немедленно изменить свои маршруты в ответ на полученную информацию, что может уменьшить заторы на одних дорогах, но одновременно создать заторы на других. Такое динамическое взаимодействие делает прогнозирование особенно сложным».
Чтобы обойти эту проблему, исследователи говорят, что вместо этого они сосредоточатся на тех частях человеческих систем, которые, казалось бы, не зависят от наших намерений. В примере с дорожной сетью это можно сделать, изучив маршруты, которые перегружены скорее из-за их фундаментальной конструкции, а не из-за поведения водителей на них.
«Использование ИИ для улавливания этих фундаментальных сигналов может быть ценным для прогнозирования», — говорит Ян. «Хотя прогнозирование таких систем является сложной задачей, оно того стоит, поскольку критические переходы в системах с участием человека могут иметь еще более серьезные последствия».
