Przewidywanie, kiedy złożony system – taki jak sieć klimatyczna, gospodarka, a nawet ludzkie serce – znajdzie się na skraju nagłego załamania, od dawna jest jednym z najtrudniejszych wyzwań nauki. Te tak zwane przejścia krytyczne — nagłe przejścia między stabilnymi stanami systemu, na przykład ze zdrowego ekosystemu do zapadniętego — mogą bez wyraźnego ostrzeżenia wywołać szybkie i nieodwracalne zmiany, od załamania ekologicznego po napady padaczkowe. Nowe badanie prowadzone przez dr Zhiqina Ma i profesora Chunhua Zenga z Uniwersytetu Naukowo-Technologicznego w Kunming, we współpracy z profesorem Yi-Cheng Zhangiem z North University of China i dr Thomasem Bury z McGill University, przedstawia przełomowe podejście wykorzystujące uczenie maszynowe do wykrywania wczesnych oznak takich zmian. Ich praca, opublikowana w Communications Physics, przedstawia specyficzną dla systemu metodę, która uczy się na podstawie danych historycznych w celu dokładniejszego przewidywania punktów krytycznych niż poprzednie modele uniwersalne.
Krytyczne zmiany są wszechobecne – czy to nagłe blaknięcie raf koralowych, krach na rynkach finansowych czy początek arytmii serca. Poprzednie metody przewidywania opierały się na sygnałach ogólnych, takich jak rosnąca wariancja, czyli miara tego, jak bardzo dane zmieniają się w czasie, lub autokorelacja z opóźnieniem jeden, która mierzy stopień podobieństwa systemu do jego własnej niedawnej przeszłości. Obydwa wywodzą się z teorii systemów dynamicznych, czyli badania ewolucji systemów w czasie. Jednak wskaźniki te często zawodzą, gdy są stosowane do zaszumionych zbiorów danych w świecie rzeczywistym. Jak wyjaśniła dr Ma: „Ogólne sygnały wczesnego ostrzegania mogą nie sygnalizować przejścia, jeśli szereg czasowy jest zbyt krótki, zbyt zaszumiony lub zbyt niestacjonarny albo jeśli przejście nie odpowiada lokalnemu rozwidleniu, ale globalnemu rozwidleniu lub w ogóle nie odpowiada rozwidleniu”. Rozwidlenie odnosi się do nagłej zmiany w zachowaniu systemu, na przykład rzeki, która nagle dzieli się na dwie odnogi, gdy zmieniają się warunki. Aby pokonać te ograniczenia, zespół wyszkolił modele uczenia maszynowego na danych zastępczych – sztucznie wygenerowanych zbiorach danych, które statystycznie przypominają rzeczywiste – umożliwiając modelom uczenie się unikalnych, specyficznych dla systemu zachowań bez polegania na restrykcyjnych założeniach teoretycznych.
Dr Ma i jej współpracownicy opracowali nową platformę o nazwie Uczenie maszynowe oparte na danych zastępczych, która generuje ogromne ilości danych szkoleniowych poprzez replikację wzorców statystycznych znalezionych w wydarzeniach historycznych. Ich podejście przetestowano na różnych przykładach ze świata rzeczywistego, w tym na osadach oceanicznych zubożonych w tlen, starożytnych społeczeństwach ludzkich i biologicznych rytmach serca. W porównaniu z tradycyjnymi wskaźnikami, takimi jak wariancja i autokorelacja, uczenie maszynowe oparte na danych zastępczych konsekwentnie wykazywało wyższą czułość, co oznacza, że mogło dokładnie wykrywać prawdziwe ostrzeżenia i większą specyficzność, co pozwalało unikać fałszywych alarmów. Mówiąc prościej, wykrywał autentyczne sygnały, minimalizując jednocześnie błędy.
Modele przetestowano przy użyciu różnych typów systemów uczenia maszynowego, w tym splotowych sieci neuronowych, które identyfikują wzorce przestrzenne i czasowe; sieci pamięci krótkotrwałej, które rozpoznają połączenia dalekiego zasięgu w danych; i maszyny wektorów nośnych, które dzielą informacje na odrębne kategorie, znajdując najlepsze granice podziału. Algorytmy te osiągnęły niezwykłe wyniki w zakresie wydajności — stanowiące połączoną statystyczną miarę precyzji i dokładności — w kilku przypadkach bliskie ideału.
Zespół przeanalizował rzeczywiste przykłady szybkich przejść. W rdzeniach osadów Morza Śródziemnego wykryli powtarzające się epizody gwałtownego spadku poziomu tlenu – zdarzenia historycznie powiązane z anoksją morską, czyli całkowitą utratą tlenu w wodzie oceanicznej, która może prowadzić do masowego wymierania. Model uczenia maszynowego opartego na danych zastępczych wytrenowany na wcześniejszych przejściach skutecznie przewidywał późniejsze przejścia. Podobnie, w przypadku zastosowania tego podejścia do zapisów rdzeni lodowych z Antarktydy, podejście to przewidywało nagłe zmiany temperatury, które kończyły okresy lodowcowe. Wykryto także kulturowe punkty krytyczne w przedhiszpańskich społeczeństwach Pueblo, gdzie dane dotyczące działalności budowlanej wykazały, że załamanie społeczne było poprzedzone krytycznym spowolnieniem, co oznaczało stopniową utratę odporności i dłuższy czas powrotu do zdrowia po drobnych zakłóceniach przed całkowitym upadkiem.
Ocena wydajności wykazała, że uczenie maszynowe oparte na danych zastępczych w większości przypadków przewyższa standardowe techniki, szczególnie w scenariuszach, w których przejścia nie przebiegają według klasycznych modeli bifurkacji. Jak zauważyła dr Ma: „Nasza metoda nie jest ograniczona restrykcyjnym założeniem lokalnego rozwidlenia, jak poprzednie metody. Ucząc się bezpośrednio na danych dotyczących przeszłych przejść, dostosowuje się do przewidywanego systemu świata rzeczywistego”. Badanie wykazało ponadto, że klasyfikatory uczenia maszynowego oparte na danych zastępczych zachowały niezawodność w przypadku wielu technik generowania surogatów, w tym transformacji Fouriera z dostosowaną amplitudą, które są metodami matematycznymi, które tworzą nowe dane przy zachowaniu zarówno ogólnej zmienności, jak i struktury oryginalnych szeregów czasowych. Zespół zastosował także algorytmy iteracyjne, które zachowują złożone właściwości danych czasowych, aby zwiększyć dokładność.
Oprócz systemów środowiskowych i biologicznych metoda ta może zmienić prognozowanie ryzyka w ekonomii, sieciach energetycznych i zdrowiu publicznym. Wiele katastrofalnych wydarzeń, takich jak krachy finansowe lub przerwy w dostawie prądu, wynika z powiązanej dynamiki, która wymyka się prostym modelom matematycznym. Identyfikując znaki ostrzegawcze w danych specyficznych dla systemu, uczenie maszynowe oparte na danych zastępczych może zapewnić kluczowy czas realizacji w celu złagodzenia skutków awarii lub zapobiegania jej. „Klasyfikatory uczenia maszynowego przeszkolone w oparciu o bogate dane zastępcze dotyczące przeszłych przejść mogą mieć kluczowe znaczenie w zwiększaniu naszej zdolności do przygotowania się na krytyczne przejścia lub zapobiegania im” – stwierdziła dr Ma, podkreślając, że to podejście raczej uzupełnia, a nie zastępuje istniejące narzędzia wczesnego ostrzegania.
Doktor Ma i jej zespół podkreślili, że przyszłe zmiany będą skupiać się na udoskonaleniu sposobu, w jaki modele interpretują różne odległości od przejścia, przekształcając klasyfikację w bardziej ciągłą i dynamiczną miarę ryzyka. Uważają, że w miarę udostępniania coraz większej ilości wysokiej jakości danych szeregów czasowych – długoterminowych pomiarów zbieranych w regularnych odstępach czasu – ramy uczenia maszynowego opartego na danych zastępczych będą nadal ewoluować, zapewniając skuteczny i ujednolicony sposób zrozumienia stabilności i odporności systemów, od naturalnych ekosystemów po gospodarki globalne.
Ta innowacyjna konwergencja modelowania danych historycznych i sztucznej inteligencji stanowi ważny krok w kierunku przewidywania tego, co nieprzewidywalne. Szkoląc się na echach poprzednich kryzysów, uczenie maszynowe oparte na danych zastępczych otwiera drogę do przewidzenia – i być może uprzedzenia – kolejnego ważnego punktu zwrotnego w przyrodzie lub społeczeństwie.
Odniesienie do czasopisma
Ma Zhiqin, Zeng Chunhua, Zhang Yi-Cheng i Bury Thomas M. „Przewidywanie krytycznych zmian za pomocą uczenia maszynowego przeszkolonego na surogatach danych historycznych”. Fizyka komunikacji (2025). DOI: https://doi.org/10.1038/s42005-025-02172-4
O Autorach
Doktor Zhiqin Ma posiada tytuł licencjata z fizyki oraz stopień doktora nauk o systemach uzyskany na Uniwersytecie Naukowo-Technologicznym w Kunming w Kunming w Chinach. Jego badania koncentrują się na fizyce statystycznej i systemach złożonych, wykrywaniu i analizie sygnałów wczesnego ostrzegania oraz zastosowaniu uczenia maszynowego w złożonych systemach. Doktor Ma przyjmuje podejście interdyscyplinarne, łącząc fizykę, matematykę i informatykę, aby odkryć uniwersalne prawa leżące u podstaw dynamicznej ewolucji systemów w pobliżu punktów krytycznych. Wyniki jego badań opublikowano w kilku czasopismach, w tym w Communications Physics, Physical Review Research i Europhysics Letters.
Profesor Chunhua Zeng zajmuje się przede wszystkim badaniami z zakresu fizyki statystycznej i układów złożonych. Opublikował ponad 120 artykułów SCI w takich czasopismach jak Natil. Nauka. Ks., kom. Fiz., Fiz. Ks. B, fiz. Badania i fizyka. Ks. E.
Doktor Yi-Cheng Zhang jest starszym profesorem fizyki na Uniwersytecie we Fryburgu w Szwajcarii i członkiem Academia Europaea. Uzyskał stopień doktora w Sissa Trieste i na Uniwersytecie La Sapienza. Jego badania obejmują duże zbiory danych, sztuczną inteligencję, złożone sieci, gospodarkę informacyjną, systemy cyberfizyczne, fizykę statystyczną, naukę o złożoności i finanse. Jest powszechnie uznawany za przełomowy wkład, w tym współtworzenie równania Kardara-Parisi-Zhanga (KPZ) – za które jego promotor, Giorgio Parisi, otrzymał Nagrodę Nobla w dziedzinie fizyki w 2021 r. – oraz wprowadzenie modelu gry mniejszości do ekonofizyki. Jego ostatnia praca koncentruje się na teoretycznych podstawach asystentów AI nowej generacji. Opublikował ponad 250 artykułów naukowych w czasopismach międzynarodowych, w tym Proceedings of the National Academy of Sciences (PNAS), Physics Reports i Physical Review Letters, a także łącznie ponad 31 000 cytowań.
Doktor Thomas Bury prowadzi badania na styku uczenia maszynowego i dynamiki nieliniowej. Interesuje się opracowywaniem sygnałów wczesnego ostrzegania o punktach krytycznych dla szerokiego zakresu złożonych systemów. Uzyskał stopień doktora matematyki stosowanej na Uniwersytecie Waterloo, a swoje prace publikował w takich czasopismach, jak PNAS i Nature Communications.
