Un modello di Deep Learning impara dalle transizioni critiche per riconoscere con precisione gli indicatori ed allertare prima che si verifichi un problema serio.
Ecosistemi, organismi viventi e reti elettriche sono sistemi complessi che subiscono cambiamenti con conseguenze, a volte, gravi.
COSA SONO I PUNTI DI SVOLTA
I “tipping point” (punti di non ritorno) sono soglie critiche in sistemi complessi oltre le quali piccoli mutamenti possono causare trasformazioni radicali e spesso irreversibili.
Quando si superano queste posizioni, si può passare rapidamente da uno stato di equilibrio ad un altro stato, generalmente molto diverso.
CARATTERISTICHE
– Non linearità: le risposte del sistema alle variazioni diventano drasticamente non lineari oltre il tipping point.
– Irreversibilità: le conseguenze non sono facili da annullare.
– Effetto soglia: c’è un livello specifico che, una volta oltrepassato, innesca preoccupazione.
ESEMPI
- Ambiente
– Scioglimento dei ghiacciai della Groenlandia: Se le temperature globali continuano ad aumentare, potrebbe esserci un punto di non ritorno in cui il fenomeno accelera irreversibilmente, contribuendo all’innalzamento del livello del mare.
– Foresta amazzonica: La deforestazione ed il cambiamento climatico potrebbero trasformare la foresta pluviale in una savana, con perdita di biodiversità ed alterazione del clima in tutto il mondo.
- Economia
– Crisi finanziarie: Un piccolo fallimento o un’inadempienza possono innescare un panico diffuso ed il crollo del mercato.
– Diffusione delle tecnologie: La diffusione degli smartphone ha semplificato l’uso d’Internet e dei sistemi digitali a chi non ha conoscenze informatiche.
- Società
– Movimenti sociali: Le alterazioni nelle opinioni pubbliche possono superare un tipping point in cui il supporto diventa sufficientemente ampio da portare a cambiamenti legislativi e sociali repentini.
– Propagazione delle idee: Idee o innovazioni possono diffondersi velocemente una volta arrivate ad una certa quota di accettazione iniziale, passando da essere marginali a dominanti.
Gli EWS generici (Early Warning System) sono allarmi precoci progettati per rilevare e segnalare tempestivamente situazioni potenzialmente pericolose in vari contesti (ambientali, sanitari, finanziari o di sicurezza) monitorando differenti indicatori ed usando algoritmi per anticipare eventi avversi e permettere interventi capaci di mitigare i rischi associati.
La maggior parte della ricerca, finora, si è concentrata su sistemi a bassa dimensionalità, piccole reti contenenti meno di dieci nodi o non ha fornito una stima esatta in cui s’innesta un cambio.
Uno studio di Zijia Liu, insieme a Xiaozhu Zhang, Xiaolei Ru, Ting-Ting Gao, Jack Murdoch Moore e Gang Yan, della Tongji University (Cina) affronta queste debolezze sviluppando un framework di Deep Learning in grado di prevedere la posizione precisa in cui si verificano le transizioni critiche nei sistemi fino a centinaia di nodi.
I ricercatori sono stati motivati dall’importanza della previsione anticipata ed hanno optato per utilizzare un segmento ridotto di serie temporale, con un approccio a finestra scorrevole.
ll metodo non richiede informazioni dettagliate sulla struttura della rete, sui pesi delle connessioni tra nodi o sulla dinamica specifica. L’efficacia si basa sul machine learning ed è stata dimostrata considerando una selezione diversificata di sistemi che rappresentano sia transizioni graduali (di secondo ordine) che esplosive (di primo ordine): la transizione di sincronizzazione negli oscillatori accoppiati di Kuramoto, il forte calo della biomassa delle risorse presenti in un ecosistema ed il collasso improvviso di un sistema neuronale di Wilson-Cowan.
TRASFERIBILITÀ ED APPLICAZIONE
L’addestramento diretto di una macchina neurale potrebbe non essere fattibile in scenari in cui sono disponibili dati limitati.
La strategia proposta è di sfruttare dati sintetici perfezionando il procedimento su un piccolo set di dati reali. Gli studiosi hanno preso in considerazione gli ecosistemi dei climi semi-aridi africani che possono subire cambiamenti improvvisi a causa di fattori fluttuanti o variabili nel tempo, come le precipitazioni. Il modello DL finale viene utilizzato per prevedere la piovosità media annua critica a bassa imprecisione.
Il metodo è stato pubblicato il 15 luglio 2024 dall’American Physical Society.
RIPRODUZIONE RISERVATA – © 2024 SHOWTECHIES – Quando la Tecnologia è spettacolo™ – E’ vietata la riproduzione e redistribuzione, anche parziale, dell’articolo senza autorizzazione scritta. Se desideri riprodurre i contenuti pubblicati, contattaci.
Immagini: ShowTechies –
Commenta per primo