MIT-algoritmus készít forgatókönyveket ritka szélsőséges eseményekre

Korábbi extrém adatok nélkül keres ritka forgatókönyveket

Az MIT mérnökei olyan eszközt fejlesztettek, amely az MIT News beszámolója szerint valószerű szélsőséges eseményeket és legrosszabb eseteket generál. A módszer lényege, hogy nem kell korábbi szélsőséges eseményeket ismernie ahhoz, hogy jövőbeli, valószerű extrém helyzeteket állítson elő.

A probléma abból fakad, hogy a szélsőséges események ritkák, és a történeti adatsorokban csak szórványosan jelennek meg. Sok kockázatbecslési módszer ezzel szemben a múlt extrém eseményeire támaszkodik, amikor a jövő még súlyosabb eseteit próbálja leírni.

Az új megközelítés egy gépi tanulási algoritmus formájában működik. Olyan adathalmazokból tanulhat, mint egy régió napi időjárási feljegyzései és térképei. Ezekben lehetnek, de nem feltétlenül vannak korábbi szélsőséges eltérések, például rekordhőség vagy rekordcsapadék. Az algoritmus statisztikai módon tanul az elérhető adatokból, kizárja a valószerűtlen időjárási helyzeteket, majd olyan extrém eseményeket generál, amelyek egy adott gyakorisággal, például 100 évente egyszer, előfordulhatnak egy régióban.

Mit jelent az Extreme Event Aware, vagyis η-learning?

A kutatók a módszert Extreme Event Aware néven, illetve η-learningként említik. Kai Chang, az MIT Center for Computational Science and Engineering PhD-hallgatója az MIT Newsnak úgy fogalmazott: „Olyan szélsőséges, példátlan eseményeket próbálunk modellezni, amelyeket senki sem látott korábban, és amelyek nincsenek benne az adathalmazban.”

Themis Sapsis, az MIT William I. Koch gépészeti és óceánmérnöki professzora szerint a cél annak számszerűsítése, milyen lehet egy a Hurricane Katrina nagyságrendjénél is ritkább esemény. Az MIT News idézete szerint Sapsis azt mondta: „Egy olyan esemény, mint a Hurricane Katrina, 30-40 évente történik meg. Mi lesz az a Katrina, amely 100 évente következik be? Mennyire lesz rossz? Pontosan ezt próbáljuk számszerűsíteni, hogy segítsük a tervezőket a valószerű szélsőséges forgatókönyvekre való felkészülésben.”

Sapsis és Chang a módszert egy nyílt hozzáférésű tanulmányban mutatták be, amely augusztus 20-án jelent meg a Nature Communications folyóiratban. A kutatást részben a Vannevar Bush Faculty Fellowship és az U.S. Air Force Office of Scientific Research támogatta.

Csapadéktérképeken tesztelték az Egyesült Államok felett

A kutatók a módszert a kontinentális Egyesült Államok feletti jövőbeli szélsőséges csapadékesemények térképeinek előállításával mutatták be. Ehhez 25 évnyi óránkénti csapadéktérképből indultak ki, amelyeket napi térképekké vontak össze.

A teljes adatsorból pontstatisztikákat számoltak, amelyek azt írták le, milyen gyakran ér el a térképen mért maximális csapadék egy adott szintet. Ezután az algoritmust a feljegyzések első hat hónapjából származó, alacsony és nagy felbontású térképpárokon tanították. Ez az időszak kevés vagy egyáltalán nem tartalmazott példát a legszélsőségesebb csapadékszintekre.

Az algoritmus ebből megtanulta, hogyan feleltethetők meg az alacsony felbontású mintázatok a részletes, nagy felbontású csapadéktérképeknek. A pontstatisztikák segítségével közben korlátozta, milyen csapadékszélsőségek jelenhetnek meg a térképeken. A módszer így olyan térbeli mintázatokat is képes generálni, amelyek szélsőségesebbek a tanítási adatokban szereplőknél, például egy 100 évente egyszer előforduló, 300 milliméteres maximummal járó csapadékesemény lehetséges helyét, kiterjedését és intenzitását.

Több ezer lehetséges térkép egy ritka eseményhez

Az MIT News példája szerint a felhasználó olyan kérdést is feltehet a betanított algoritmusnak, hogy milyen lehet egy 100 évente egyszer előforduló vihar New York Cityben. Az algoritmus erre statisztikailag valószerű vihartérképeket generálhat, olyan jellemzőkkel, mint a vihar mérete, lefedett területe és a csapadék intenzitása.

Chang az MIT Newsnak azt mondta: „Valaki mondhatja azt, hogy olyan dolgokat szeretne építeni, amelyek ellenállnak egy 100 évente bekövetkező esemény kockázatának. Amit ilyenkor tenni tudunk, az az, hogy több ezer lehetséges megvalósulást állítunk elő, amelyek ilyen ritka gyakorisággal történnek meg.”

A forrás szerint a módszer nem csak időjárási eseményeknél használható. Ha rendelkezésre állnak megfelelő pontstatisztikák és térbeli adatok, más példátlan események, például szélsőséges árvizek és erdőtüzek vizualizálására is alkalmazható. A kutatók említik a robotnavigációt és a pénzügyi piacokat is. Chang szerint a pénzügyi piaci összeomlások sok szektor bonyolult kölcsönhatásából álló szélsőséges események, és a módszer azt vizsgálhatja, milyen interakció vezethet összeomláshoz.

Miért fontos ez a tervezőknek és a piacoknak?

A módszer a forrás alapján azoknak lehet hasznos, akiknek ritka, de nagy hatású eseményekre kell felkészülniük. Ide tartozhatnak várostervezők, döntéshozók és biztosítók, akik például azt szeretnék tudni, milyen lehet egy 100 évente egyszer előforduló vihar New York Cityben, vagy milyen infrastruktúra-erősítésekre lehet szükség.

Az algoritmus által generált térképek azt mutathatják meg, mekkora területet érhet el egy vihar, meddig tarthat egy hőhullám, vagy hogyan nézhet ki egy olyan esemény, amely súlyosabb a korábban rögzítetteknél, de még valószerű. A forrás szerint ez különösen ott számíthat, ahol a kritikus infrastruktúra, az energiarendszerek, az élelmiszerrendszerek és az ellátási láncok érzékenyek egyetlen szélsőséges esemény továbbgyűrűző hatásaira.

Sapsis az MIT Newsnak így fogalmazott: „A szélsőséges események stratégiai kérdéssé váltak, nem csak környezetivé. A globális rendszereket hatékonyságra optimalizáltuk, és ennek az ára az, hogy nagyon kevés tartalék maradt bárhol. Egyetlen szélsőséges esemény heteken belül továbbterjed az ellátási láncokon, az energiapiacokon és az élelmiszerrendszereken.” Hozzátette: „Az, hogy valószínűséget tudjunk rendelni egy olyan eseményhez, amely még nem történt meg, ma már a nemzeti és gazdasági ellenálló képesség kérdése.”