Novo algoritmo de IA pode prever os 'pontos de inflexão' para desastres futuros, dizem cientistas
Cientistas da computação criaram um inteligência artificial (IA) programa que pode prever o início de pontos de inflexão catastróficos — e eles querem usá-lo para prever colapsos ecológicos, crises financeiras, pandemias e quedas de energia.
“Se uma próxima transição crítica puder ser prevista, então podemos nos preparar para a mudança ou talvez até mesmo evitar a transição e, assim, mitigar os danos”, autor sênior do estudo Gangue Yanprofessor de ciência da computação na Universidade Tongji em Chinadisse à Live Science. “Isso nos motivou a desenvolver uma abordagem de IA para prever o início dessas transições repentinas muito antes que aconteçam.”
Os pesquisadores publicaram suas descobertas em 15 de julho na revista Revisão Física X
Pontos de inflexão são mudanças repentinas além das quais um sistema localizado, ou seu ambiente, muda para um estado indesejável do qual é difícil retornar. Por exemplo, se a camada de gelo da Groenlândia entrasse em colapso, isso também reduziria a queda de neve na parte norte da ilha, elevando drasticamente o nível do mar e tornando grandes partes do lençol irrecuperáveis.
No entanto, a ciência por trás dessas transformações dramáticas é mal compreendida e frequentemente baseada em modelos simplificados demais, dificultando previsões precisas. Anteriormente, os cientistas usavam estatísticas para avaliar a diminuição da força e resiliência dos sistemas por suas flutuações crescentes. Mas os resultados de estudos que usam tais métodos estatísticos são controversos.
Para buscar uma maneira mais precisa de prever transições perigosas, os pesquisadores por trás do novo estudo combinaram dois tipos diferentes de redes neurais, ou algoritmos que imitam a maneira como a informação é processada no cérebro. O primeiro quebrou sistemas complexos em grandes redes de nós interagindo antes de rastrear as conexões entre os nós; e o segundo seguiu como nós individuais mudaram ao longo do tempo.
“Por exemplo, em um sistema financeiro, um nó pode ser uma única empresa; em um sistema ecológico, um nó pode representar uma espécie; em um sistema de mídia social, um nó pode denotar um usuário, e assim por diante”, disse Yan.
Como os pontos de inflexão são difíceis de prever, saber onde procurá-los é igualmente difícil, tornando escassos os dados do mundo real sobre transições críticas abruptas. Para treinar seu modelo, os pesquisadores, em vez disso, se voltaram para pontos de inflexão dentro de sistemas teóricos simples — incluindo ecossistemas modelo e metrônomos fora de sincronia que, dado tempo suficiente, começam a balançar juntos.
Depois que sua rede neural engoliu dados suficientes, os pesquisadores deram a ela um problema do mundo real: a transformação de florestas tropicais em savana. Tomando mais de 20 anos de dados de satélite de três regiões da África Central que fizeram essa transição repentina, os cientistas alimentaram o algoritmo com informações sobre precipitação e cobertura de árvores em duas das regiões.
A partir desses dados, a IA previu com precisão o que aconteceu na terceira região, mesmo quando 81% dos nós do sistema (nesse caso, pedaços de terra) não foram observados, disseram os pesquisadores.
Tendo previsto com sucesso um ponto de inflexão, os pesquisadores agora estão procurando maneiras de desconstruir a caixa-preta do algoritmo para encontrar os padrões que ele detectou. Eles então esperam aplicar seu modelo a outros sistemas, como incêndios florestais, pandemias e crises financeiras.
Um desafio na previsão de sistemas envolvendo humanos é que aprendemos e reagimos às nossas próprias previsões, repassando nossas previsões ao nosso comportamento de maneiras complexas.
“Por exemplo, considere o transporte urbano: embora possa ser simples identificar estradas congestionadas, anunciar informações de congestionamento em tempo real para todos os motoristas pode levar ao caos”, disse Gang. “Os motoristas podem alterar imediatamente suas rotas em resposta às informações, o que pode aliviar o congestionamento em algumas estradas, mas simultaneamente criar congestionamento em outras. Essa interação dinâmica torna a previsão particularmente complexa.”
Para contornar esse problema, os pesquisadores dizem que, em vez disso, eles se concentrarão em partes dos sistemas humanos que aparentemente não são afetadas por nossas intenções. No exemplo da rede rodoviária, isso poderia ser feito observando as rotas que estão mais congestionadas por causa de seu design fundamental do que como os motoristas se comportam nelas.
“Usar IA para capturar esses sinais fundamentais pode ser valioso para fazer previsões”, disse Yan. “Embora prever tais sistemas seja desafiador, vale a pena porque transições críticas em sistemas envolvendo humanos podem ter consequências ainda mais severas.”
