A veszélyes fordulópontok előrejelzése az összetett rendszerekben már régóta komoly fejfájást okoz a tudósok számára. Most egy új AI-rendszer készen állhat arra, hogy elvégezze helyettük ezt a munkát.

A mesterséges intelligencia segítségével megjósolhatóak a katasztrofális fordulópontok

Informatikai kutatásokkal foglalkozó szaktudósok létrehoztak egy olyan új mesterséges intelligencia (AI) programot, amely képes előre jelezni a katasztrofális fordulópontok kialakulását – mint amilyenek például az ökológiai összeomlás, a nagy pénzügyi válságok, a világjárványok és a globális áramszünetek. “Ha előrejelezhető egy közelgő kritikus átalakulás, akkor felkészülhetünk a hatásaira, vagy akár meg is akadályozhatjuk az átmenetet, és ezzel mérsékelhetjük a károkat” – mondta a Live Science-nek Gang Yan, a tanulmány vezető szerzője, a kínai Tongji Egyetem számítástechnika-professzora. 

“Ez arra késztetett minket, hogy kidolgozzunk egy mesterséges intelligencia- alapú megközelítést, amellyel megjósolhatjuk az ilyen hirtelen átmenetek kezdetét, még azt megelőzően, hogy azok megtörténnének”-fűzte hozzá a professzor. A kutatók az ezzel kapcsolatos eredményeiket július 15-én tették közzé a Physical Review X folyóiratban. A fordulópontok azok a hirtelen eltolódások, amelyeken túl egy lokalizált rendszer vagy környezete olyan nemkívánatos állapotba változik, amelyből már nehéz visszatéríteni. Például, ha a grönlandi jégtakaró összeomlana, ez csökkentené a havazást a sziget északi részén, drasztikusan megemelve a tengerszintet, és a jégtakaró nagy része visszafordíthatatlanul elenyészne.

Az egyszerű elméleti rendszerek fordulópontjaiból indulnak ki

A drámai átalakulások hatásmechanizmusát vizsgáló tudomány azonban gyakran túlságosan leegyszerűsített modelleken alapul, ami megnehezíti a pontos előrejelzéseket. Korábban a tudósok statisztikákat használtak arra, hogy felmérjék a rendszerek csökkenő erejét és rugalmasságát a kimutatható, növekvő ingadozások alapján. 

Az ilyen statisztikai módszereket alkalmazó tanulmányok eredményei azonban ellentmondásosak. 

A veszélyes átmenetek előrejelzésének pontosabb módja érdekében az új tanulmány mögött álló kutatók két különböző típusú neurális hálózatot vagy algoritmust kombináltak, amelyek utánozzák az agy információfeldolgozásának módját. 

Az első a komplex rendszereket kölcsönható csomópontok nagy hálózataira bontotta, mielőtt követte volna a csomópontok közötti kapcsolatokat; a második pedig az egyes csomópontok időbeli változásait modellezte. “Például a pénzügyi rendszerekben csomópont lehet egyetlen vállalat; az ökológiai rendszerben a csomópontot pedig egy fajt jelenthet; míg a közösségi média rendszerében a csomópont egy felhasználót jelölhet és így tovább” – mondta Yan. 

Mivel a fordulópontokat nehéz megjósolni, mint ahogyan az is, hogy hol kell keresni őket, ezért ritkák a valós adatok a hirtelen bekövetkező kritikus átmenetekről. 

A kutatók a modelljükben ehelyett az egyszerű elméleti rendszereken belüli fordulópontokat állították központba – mint például az ökoszisztéma modelleket-, amelyekben elegendő az idő a fordulóponthoz vezető változások jeleinek a feltérképezésére.

Pontosan bevált az új AI- algoritmus jóslata

Miután a neurális hálózatuk elegendő adatot gyűjtött be, a kutatók a való világból származó problémát adtak a mesterséges intelligenciának: a trópusi erdők szavannává való átalakulását. Több mint 20 évnyi műholdas adatot vettek át Közép-Afrika három olyan régiójából, amelyekben ez a hirtelen átmenet megtörtént, majd a tudósok a csapadékról továbbá a fák lefedettségéről szolgáltattak információkat az algoritmusnak két régiót választva ki a modellezés elvégzésére. 

Ezekből az adatokból a mesterséges intelligencia pedig pontosan megjósolta, hogy mi történt a harmadik régióban, 

még akkor is, ha a rendszerek csomópontjainak (jelen esetben az érintett földterületeknek) a 81%-a észrevétlen maradt – mondták a kutatók. Miután sikeresen megjósoltak egy fordulópontot, a kutatók most olyan módszert keresnek, melynek segítségével az algoritmus  részleteiben is felvázolhatja az észlelt mintákat. Azt remélik, hogy ezután a modelljüket más rendszerekre, például erdőtüzekre, járványokra és pénzügyi összeomlásokra is alkalmazni tudják.

A legnagyobb kihívást az emberi rendszerek jelentik

Az embereket is magában foglaló rendszerek előrejelzésében az az egyik nagy kihívás, hogy hogyan reagálunk rájuk, és az előrejelzéseinket összetett módon visszacsatoljuk-e a viselkedésünkbe-írják a kutatók. “Például vegyük fontolóra a városi közlekedést: bár a zsúfolt utak azonosítása egyszerű lehet, a valós idejű torlódási információk közzététele minden járművezető számára könnyen káoszhoz vezethet” – mondta Gang. “A járművezetők az információra válaszul ugyanis azonnal megváltoztathatják az útvonalukat, ami egyes utakon csökkentheti ugyan a torlódásokat, de  máshol okozhat torlódást. 

Az ilyen fajta dinamikus interakciók pedig különösen bonyolulttá teszik az előrejelzést”- véli a Tongji Egyetem számítástechnika-professzora. A kutatók úgy vélik, hogy az ehhez hasonló problémák elkerülése érdekében az emberi rendszerek azon részeire célszerű összpontosítani, amelyeket látszólag nem érintenek a szándékaink. Az úthálózati példánál maradva ezt úgy lehet megtenni, hogy azokra az útvonalakra fókuszálunk, amelyek az alapvető kialakításuk, nem pedig a járművezetők viselkedése miatt számítanak zsúfoltabbaknak. A mesterséges intelligencia alkalmazása nagyon értékes eszköz lehet a minden korábbinál pontosabb válsághelyzeti előrejelzések elkészítéséhez.