Еще недавно искусственный интеллект, преимущественно, использовали для прогнозирования относительно небольших и краткосрочных изменений погоды. Теперь ученые сделали шаг к гораздо более сложной задаче — научились с помощью ИИ заранее определять приближение так называемых точек невозврата, после которых система может перейти в принципиально новое состояние и уже не вернуться к прежнему. Исследователи из Калифорнийского технологического института (Caltech) показали, что специальная нейросетевая модель способна обнаруживать приближение таких переломных моментов более чем за два года и определять их время с ошибкой, примерно, в 11 дней, передает inbusiness.kz со ссылкой на Caltech.
Речь идет об исследовании, проведенном учеными Caltech совместно с коллегами из Университета Колорадо в Боулдере (CU Boulder) и технологической компании NVIDIA. Результаты работы опубликованы в журнале Proceedings of the National Academy of Sciences (PNAS). Исследование уже было отмечено в недавнем докладе Организации Объединенных Наций, посвященном значению точек невозврата для климатической науки.
Как пояснили ученые, само понятие "точка невозврата" давно используется не только в науке. Писатель Малкольм Гладуэлл сделал выражение "tipping points" популярным, описывая момент, когда определенная тенденция или социальное поведение пересекают некоторый порог и начинают стремительно распространяться. В физике смысл гораздо конкретнее: точкой перелома называют состояние, при котором система становится нестабильной и переходит в другое состояние, причем иногда этот переход оказывается необратимым.
Для климата Земли подобные сценарии имеют особенно большое значение. Среди потенциально опасных процессов ученые рассматривают, в частности, глобальное потепление и таяние полярных ледяных шапок. После достижения определенного порога изменения могут начать развиваться таким образом, что прежнее состояние системы будет уже невозможно восстановить простым возвращением исходных условий.
"Точка перелома — это место, где у вас больше нет точки возврата, потому что система становится нестационарной, — говорит Анима Анандкумар, профессор вычислительных и математических наук имени Брена в Caltech и главный автор исследования. - Части системы меняются таким образом, что вы не можете вернуть систему в ее исходное состояние. Именно поэтому это рассматривается как нечто, что может иметь катастрофические последствия".
Прогнозирование таких моментов оказалось гораздо сложнее обычного предсказания погоды. Современные системы искусственного интеллекта уже способны достаточно хорошо моделировать многие процессы, происходящие в атмосфере, и прогнозировать изменения погоды на относительно коротких временных отрезках. Однако точка невозврата отличается принципиально: сама система со временем меняется, а ее прежние закономерности перестают работать.
Исследователи решили эту проблему с помощью особого типа нейронной сети — рекуррентного нейронного оператора, или RNO (recurrent neural operator). В отличие от ряда других моделей машинного обучения, такая система обладает встроенной "памятью", позволяющей отслеживать, как физические характеристики изучаемой системы меняются с течением времени.
Именно эта способность стала одним из ключевых элементов нового подхода. RNO может определить момент, когда ее собственные прогнозы перестают соответствовать физическим закономерностям, которым модель была обучена. Для ученых это становится своеобразным сигналом тревоги: система приближается к состоянию, при котором произойдет качественный и потенциально необратимый переход.
"Эта работа закладывает основы для характеристики точек перелома и прогнозирования того, когда они могут произойти в будущем, — пояснила Анандкумар. - Мы продемонстрировали это на упрощенной климатической модели и модели турбулентности воздуха над крылом — системах, которые не поддавались анализу с помощью более ранних методов".
Особенно показателен климатический эксперимент. Ученые рассмотрели конкретный сценарий, связанный с низкой облачностью над океанами. Согласно этому сценарию, при дальнейшем повышении концентрации углекислого газа низкие облака могут быстро исчезнуть. Пока такое событие не наблюдалось в реальности, однако его возможность рассматривается в научных исследованиях.
Проблема заключается в том, что низкая облачность над океаном влияет на климатический баланс. Если облака исчезают, поверхность Земли получает больше солнечного излучения, что потенциально может усилить глобальное потепление. Поэтому возможное резкое сокращение низкой облачности рассматривается как пример процесса, способного стать точкой невозврата.
Для проверки своей системы исследователи использовали не реальные наблюдения, а данные компьютерного моделирования. Перед RNO поставили задачу заранее определить, когда в смоделированной системе произойдет исчезновение облаков.
Результат оказался заметным: искусственный интеллект смог заглянуть более чем на два года вперед относительно предполагаемой точки перелома. При этом ошибка в определении времени наступления события составила около 11 дней.
Для климатической науки такая возможность потенциально имеет огромное значение. Даже если прогнозирование конкретного события в реальном мире пока остается более сложной задачей, способность заранее распознавать приближение нестабильности может дать исследователям дополнительное время для анализа происходящего и оценки возможных последствий.
"В прошлом мы использовали ИИ, чтобы изучать, в основном, стационарные системы, которые предполагают, что погода в прошлом будет такой же, как погода в будущем, — рассказала Анандкумар. - Наша группа успешно обучала такие модели погоды на основе ИИ в прошлом и даже может с достаточно высокой точностью прогнозировать экстремальные явления, такие как ураганы. С другой стороны, если вы теперь хотите смоделировать, как меняется климат, и учесть такие изменения, как содержание углекислого газа, система больше не является стационарной, и вы больше не можете использовать стандартные принципы машинного обучения".
Это различие принципиально важно. При обычном прогнозировании погоды алгоритм может опираться на предположение, что основные физические правила и свойства системы остаются неизменными, а меняется лишь ее текущее состояние. В случае изменения климата меняется уже сама система. Увеличивается концентрация углекислого газа, меняются температурные условия, перестраиваются атмосферные процессы — и прежние взаимосвязи могут постепенно перестать работать.
RNO, по задумке исследователей, должна учитывать именно эту динамику. Ее "память" позволяет следить не только за текущим состоянием модели, но и за тем, как оно изменялось в прошлом.
Когда прогнозы нейросети начинают расходиться с ранее установленными физическими закономерностями, модель получает важный диагностический сигнал.
"Система со временем удаляется от прежнего состояния, и законы физики больше не выполняются в точке перелома, — отметила Анандкумар. - Мы можем использовать принципы физики поверх рекуррентных нейронных операторов, чтобы делать прогнозы о том, когда, вероятно, произойдет точка перелома".
При этом ученые подчеркивают универсальность разработанного подхода. Речь идет не только о климате. Исследование показало, что аналогичная модель способна работать и с другой сложной физической системой — воздушным потоком над крылом самолета.
В рамках второй части эксперимента ученые использовали компьютерные симуляции воздушного потока над наклоненным крылом. Их интересовал момент, когда подъемная сила крыла резко падает. Это также можно рассматривать как своеобразный переломный момент: параметры системы могут изменяться постепенно, но само поведение воздушного потока в определенный момент меняется гораздо более резко.
RNO смогла предсказать приближение такого перехода. Результат дает основания предполагать, что подобные модели ИИ в будущем смогут применяться при разработке авиационной и аэрокосмической техники.
"В аэродинамике такие величины, как угол атаки, могут постепенно изменяться, в то время как сам поток претерпевает гораздо более резкий переход, например при возникновении сваливания или изменении следа, — объясняет соавтор исследования Джейн Бэ, выпускница Caltech 2012 года, доцент кафедры аэрокосмической техники Caltech и Susan Wu Scholar. - Что особенно интересно в этой работе, так это то, что модель может распознать момент, когда изученная ею физика больше не описывает происходящее должным образом, и предупредить, что система, возможно, приближается к точке перелома. Возможность предвидеть такие качественные изменения до того, как они произойдут, в конечном счете, может оказаться очень полезной для аэродинамического прогнозирования и проектирования".
Таким образом, ученые фактически предлагают использовать искусственный интеллект не только как инструмент для получения прогноза, но и как своеобразную систему раннего предупреждения. ИИ должен не просто отвечать на вопрос о том, каким будет следующее состояние системы, но и замечать, когда привычная логика ее поведения начинает разрушаться.
Это особенно важно для процессов, в которых небольшие изменения могут долгое время оставаться практически незаметными, а затем привести к резкому переходу. Именно такие системы особенно трудно прогнозировать традиционными методами: до определенного момента все может выглядеть относительно стабильно, а затем ситуация начинает быстро меняться.
Исследование пока не означает, что искусственный интеллект уже способен с высокой точностью назвать дату будущей климатической катастрофы. Эксперименты проводились на упрощенных моделях и симуляциях, а не на полноценной модели всей климатической системы Земли. Однако сама возможность заранее обнаружить приближение нестабильного состояния представляет собой важный шаг в развитии методов прогнозирования.
Потенциальная область применения этой технологии значительно шире климатологии. Авторы исследования указывают на возможное использование подхода в климатической науке, экологии, эпидемиологии, аэродинамике и других областях, где системы могут переходить из одного состояния в другое.
Для экологии это может означать поиск ранних признаков резких изменений экосистем. В эпидемиологии аналогичные методы потенциально могут использоваться для анализа динамики распространения заболеваний, когда постепенные изменения в популяции или окружающей среде способны привести к резкому изменению ситуации. В авиации и космонавтике технология может помочь выявлять приближение опасных режимов работы летательных аппаратов еще до того, как они наступят.
Исследование особенно примечательно на фоне растущего внимания ученых к климатическим точкам невозврата. Если раньше искусственный интеллект в основном помогал отвечать на вопрос "что произойдет дальше", то теперь исследователи пытаются научить его отвечать на гораздо более сложный вопрос: когда система начнет меняться настолько сильно, что вернуть ее в прежнее состояние уже будет невозможно.
Именно эта возможность — заметить приближение перелома еще до того, как он станет очевидным, — может стать одним из наиболее перспективных направлений применения ИИ в науке. В эксперименте с климатической моделью алгоритм получил преимущество более чем в два года и смог определить момент исчезновения низкой облачности с ошибкой около 11 дней. До практического применения таких моделей в реальной климатической системе еще предстоит пройти значительный путь, однако результаты Caltech показывают: искусственный интеллект постепенно учится распознавать не только изменения, но и сам момент, когда привычные правила поведения сложной системы перестают работать.
Читайте по теме:
Как казахстанцы помогают наводить порядок в городах через TazaQazBot
