Inteligența artificială de la MIT prezice fenomene meteo extreme fără date istorice

Când vine vorba de pregătirea pentru dezastre naturale, oamenii s-au bazat întotdeauna pe lecțiile trecutului. Dar ce se întâmplă când trecutul nu este suficient de bogat pentru a anticipa ce ne rezervă viitorul? Inginerii de la Massachusetts Institute of Technology (MIT) au dezvoltat un instrument de inteligență artificială care abordează exact această problemă: poate prezice fenomene meteo extreme fără a fi antrenat pe date istorice despre astfel de evenimente. Practic, AI-ul poate genera hărți ale unor furtuni sau valuri de căldură care nu au mai fost văzute vreodată într-o anumită regiune, dar care sunt statistic posibile. Și nu doar atât: fiecare hartă vine cu estimări privind durata, intensitatea și suprafața afectată. Este o schimbare de paradigmă în modul în care ne gândim la riscurile climatice și la planificarea infrastructurii.Cei doi cercetători din spatele acestei inovații sunt Kai Chang, student absolvent la inginerie mecanică, și profesorul Themis Sapsis, care deține catedra William I. Koch în inginerie mecanică și oceanografică la MIT. Ambii sunt afiliați la Centrul pentru Știință Computațională și Inginerie de la MIT, iar Sapsis are și o numire la Institutul pentru Date, Sisteme și Societate. Metoda lor, numită „Extreme Event Aware” sau pe scurt „η-learning”, a fost descrisă într-un articol publicat în revista Nature Communications pe 20 august. Este un nume care sună tehnic, dar ideea din spate este remarcabil de simplă și profundă în același timp: să nu mai depindem de exemplele trecute pentru a anticipa extremele viitoare.Cum funcționează modelele actuale de risc? Asigurătorii, planificatorii urbani și operatorii de rețele electrice vor să știe, de obicei, cum arată o furtună care are loc o dată la o sută de ani pentru o anumită locație. Simulările actuale se bazează pe seturi de date care conțin deja evenimente extreme. Ele învață condițiile care au produs acele evenimente și apoi proiectează modele similare în viitor. Problema, spune Chang, este că această abordare limitează ceea ce pot arăta modelele. „Aceste metode presupun că există evenimente foarte dezastruoase pe care le-am văzut în setul de date și construiesc o metodă fie pentru a estima riscul acelor evenimente, fie pentru a încerca să prezică exact evenimentele care s-au întâmplat”, explică el. Cu alte cuvinte, dacă nu ai văzut niciodată o inundație de o anumită magnitudine, modelul tău nu o poate genera.Sapsis ilustrează această limitare printr-un exemplu concret: uraganul Katrina. „Un eveniment precum Katrina este ceva care se întâmplă o dată la 30 sau 40 de ani”, spune el. „Dar care va fi Katrina care se întâmplă o dată la 100 de ani? Cât de gravă va fi? Exact asta încercăm să cuantificăm, pentru a ajuta planificatorii să se pregătească pentru scenarii extreme plauzibile.” Este o întrebare esențială, mai ales într-o eră a schimbărilor climatice, unde recordurile sunt doborâte constant și unde trecutul nu mai este un ghid fidel pentru viitor.Algoritmul dezvoltat de cei doi pornește de la două tipuri de date. Primul este statisticile punctuale, care surprind cât de des apare un anumit nivel de intensitate, cum ar fi cantitatea maximă de precipitații înregistrată pe o hartă, într-un set de date. Al doilea este hărțile spațiale, care arată cum variază impactul unui eveniment într-o regiune. Învățând relația statistică dintre cele două, algoritmul poate construi modele spațiale pentru evenimente care depășesc orice se află în datele sale de antrenament, fără a avea nevoie de exemple anterioare ale acelor extreme exacte. Este ca și cum ai învăța gramatica unei limbi și apoi ai putea construi propoziții pe care nu le-ai auzit niciodată, dar care sunt corecte din punct de vedere gramatical.Cercetătorii au testat această abordare pe precipitațiile din Statele Unite continentale. Au pornit de la 25 de ani de date orare despre precipitații, agregate în hărți zilnice, și au calculat statistici punctuale care descriu cât de des a atins cantitatea maximă de precipitații de pe o hartă un anumit nivel pe parcursul întregii perioade. Partea interesantă este că fereastra de antrenament pentru modelul spațial a fost foarte îngustă. Au antrenat acea parte a algoritmului folosind perechi de hărți cu rezoluție scăzută și înaltă, extrase doar din primele șase luni din cei 25 de ani, o perioadă care conținea puține sau chiar niciun exemplu din cele mai abundente precipitații. Algoritmul a învățat cum modelele din hărțile cu rezoluție scăzută corespund detaliilor din versiunile cu rezoluție înaltă, apoi a aplicat statisticile punctuale din întreaga perioadă pentru a constrânge cât de extreme pot deveni modelele generate.Rezultatul este uimitor. Cea mai mare cantitate de precipitații înregistrată vreodată în New York City este de 200 de milimetri. Metoda poate genera hărți plauzibile ale unei furtuni care produce 300 de milimetri, un nivel care nu are nicio potrivire în datele observaționale. Un utilizator poate solicita algoritmului antrenat să arate cum ar putea arăta o furtună care are loc o dată la o sută de ani pentru un oraș numit. Rezultatul este o serie de hărți care arată furtuni statistic plauzibile la acea frecvență. Fiecare hartă are propria dimensiune și suprafață de acoperire, iar intensitatea precipitațiilor variază de la o hartă la alta. Potrivit lui Chang, algoritmul poate genera volume mari de astfel de scenarii simultan.Aplicațiile practice sunt vaste. Hărțile generate ar putea ajuta un oraș să își testeze digul împotriva unui val de furtună mai mare decât orice s-a înregistrat vreodată. Aceleași hărți ar putea arăta dacă rețeaua electrică ar rezista în timpul unui val de căldură mai lung, sau dacă resursele de pompieri ar putea controla un incendiu de pădure mai mare decât orice există în evidențe. Aplicarea metodei la un nou tip de hazard necesită statistici punctuale relevante și date spațiale pentru acel hazard specific, spun Chang și Sapsis. Ei indică posibile extensii odată ce aceste date sunt disponibile, cum ar fi vizualizarea inundațiilor severe și a incendiilor de pădure fără echivalent în evidențele istorice.Sapsis subliniază un aspect crucial: infrastructura globală a fost optimizată pentru eficiență, lăsând puțin spațiu de manevră în sistemele pe care le susține. „Un singur eveniment extrem se propagă prin lanțurile de aprovizionare, piețele de energie și sistemele alimentare în câteva săptămâni”, explică el. „A putea pune o probabilitate pe un eveniment care nu s-a întâmplat încă este acum o chestiune de reziliență națională și economică.” Este o perspectivă care schimbă modul în care ne gândim la pregătirea pentru dezastre: nu mai este vorba doar de a reacționa la ceea ce am văzut, ci de a anticipa ceea ce este posibil, chiar dacă nu a existat încă.### De ce este important:Această cercetare vine într-un moment critic. Schimbările climatice fac ca evenimentele extreme să fie din ce în ce mai frecvente și mai intense, iar modelele bazate pe date istorice devin rapid depășite. Un instrument care poate genera scenarii plauzibile pentru evenimente fără precedent oferă planificatorilor, inginerilor și factorilor de decizie un instrument esențial pentru a construi infrastructuri mai rezistente. Nu mai trebuie să așteptăm să se întâmple o catastrofă pentru a învăța din ea; acum putem să ne pregătim pentru ce este mai rău, chiar dacă nu am văzut niciodată ce este mai rău. Este o schimbare de paradigmă care ar putea salva vieți și miliarde de dolari în daune, și care subliniază rolul crucial al inteligenței artificiale în adaptarea la o lume în schimbare rapidă.