PNAS: Раннее предупреждение о точках невозврата с помощью искусственного интеллекта
Сигналы раннего предупреждения о точках невозврата жизненно важны для предотвращения краха системы или других внезапных сдвигов. Однако существующие общие индикаторы раннего предупреждения, предназначенные для работы во всех системах, не предоставляют информацию о состоянии, выходящем за пределы критической точки. Представленные результаты показывают, как алгоритмы глубокого обучения (искусственный интеллект) могут показать сигналы раннего предупреждения точек невозврата в реальных системах. Алгоритм предсказывает определённые качественные аспекты нового состояния, а также более чувствителен и генерирует меньше ложных срабатываний, чем общие индикаторы. Использована теория поведения системы вблизи точек невозврата, чтобы алгоритм не требовал данных из исследуемой системы, а вместо этого учился на множестве возможных моделей.
Многие природные системы имеют точки невозврата, когда медленно меняющиеся условия окружающей среды вызывают внезапный переход в новое, а иногда и совсем другое состояние. По мере приближения к такой точке динамика сложных и разнообразных систем упрощается до ограниченного числа возможных «нормальных форм», определяющих качественные аспекты нового состояния, лежащего за пределами точки невозврата, например, будет ли оно колебательным или стабильным. В некоторых из этих форм индикаторы, такие как возрастающая автокорреляция и дисперсия с лагом -1, предоставляют общие сигналы раннего предупреждения о точке невозврата, обнаруживая, как динамика замедляется около перехода. Но они не предсказывают природу нового состояния. Авторы разработали алгоритм глубокого обучения, обеспечивающий сигналы раннего предупреждения в системах, на которых он не был явно обучен, используя информацию о нормальных формах и масштабируемом поведении динамики вблизи точек невозврата, являющихся общими для многих динамических систем. Алгоритм обеспечивает сигналы раннего предупреждения в 268 эмпирических и модельных временных рядах из экологии, термоакустики, климатологии и эпидемиологии с гораздо большей чувствительностью и специфичностью, чем общие сигналы раннего предупреждения. Он также может предсказать нормальную форму, характеризующую приближающуюся точку невозврата, тем самым предоставляя качественную информацию о некоторых аспектах нового состояния. Такие подходы могут помочь людям лучше подготовиться к нежелательным переходам между состояниями или избежать их. Алгоритм также показывает, как можно использовать множество возможных моделей для распознавания естественных точек невозврата.
