Cientistas da computação criaram um programa de inteligência artificial (IA) capaz de prever o surgimento de pontos de inflexão catastróficos — e pretendem usá-lo para antecipar colapsos ecológicos, crises financeiras, pandemias e quedas de energia.
“Se uma transição crítica iminente puder ser prevista, podemos nos preparar para a mudança ou até mesmo evitar a transição, mitigando assim os danos”, disse Gang Yan, professor de ciência da computação na Universidade Tongji, na China, e autor principal do estudo, ao Live Science. “Isso nos motivou a desenvolver uma abordagem de IA para prever o surgimento dessas transições súbitas muito antes de elas acontecerem.”
Os pesquisadores publicaram suas descobertas em 15 de julho na revista Physical Review X.
Pontos de inflexão
Pontos de inflexão são mudanças súbitas além das quais um sistema local, ou seu ambiente, passa para um estado indesejável do qual é difícil retornar. Por exemplo, se a camada de gelo da Groenlândia colapsar, isso reduzirá a queda de neve na parte norte da ilha, elevando drasticamente o nível do mar e tornando grande parte da camada de gelo irrecuperável.
A ciência
No entanto, a ciência por trás dessas transformações dramáticas é pouco compreendida e frequentemente baseada em modelos excessivamente simplificados, o que dificulta previsões precisas. Anteriormente, os cientistas usavam estatísticas para avaliar a força e resiliência decrescentes dos sistemas por meio de suas flutuações crescentes. Mas os resultados de estudos que utilizam esses métodos estatísticos são controversos.
Para buscar uma maneira mais precisa de prever transições perigosas, os pesquisadores por trás do novo estudo combinaram dois tipos diferentes de redes neurais, ou algoritmos que imitam a forma como o cérebro processa informações. A primeira dividiu sistemas complexos em grandes redes de nós interativos, acompanhando as conexões entre eles; a segunda monitorou como os nós individuais mudavam ao longo do tempo.
“Por exemplo, em um sistema financeiro, um nó pode ser uma empresa; em um sistema ecológico, um nó pode representar uma espécie; em um sistema de mídia social, um nó pode denotar um usuário, e assim por diante”, disse Yan.
Como os pontos de inflexão são difíceis de prever, saber onde procurá-los é igualmente complicado, tornando escassos os dados do mundo real sobre transições críticas abruptas. Para treinar seu modelo, os pesquisadores recorreram a pontos de inflexão dentro de sistemas teóricos simples — incluindo ecossistemas-modelo e metrônomos fora de sincronização que, com o tempo, começam a balançar juntos.
Depois que a rede neural processou dados suficientes, os pesquisadores deram a ela um problema do mundo real: a transformação de florestas tropicais em savanas. Com mais de 20 anos de dados de satélite de três regiões na África Central que passaram por essa transição súbita, os cientistas alimentaram o algoritmo com informações sobre precipitação e cobertura de árvores em duas das regiões.
Precisão do IA
Com base nesses dados, a IA previu com precisão o que aconteceu na terceira região, mesmo quando 81% dos nós dos sistemas (neste caso, pedaços de terra) não foram observados, disseram os pesquisadores.
Tendo previsto com sucesso um ponto de inflexão, os pesquisadores agora buscam maneiras de decifrar a “caixa preta” do algoritmo para encontrar os padrões que ele identificou. Eles esperam, então, aplicar seu modelo a outros sistemas, como incêndios florestais, pandemias e crises financeiras.
Um desafio na previsão de sistemas envolvendo seres humanos é que aprendemos sobre nossas próprias previsões e reagimos a elas, realimentando nossas previsões de volta em nosso comportamento de maneiras complexas.
“Por exemplo, considere o transporte urbano: embora possa ser simples identificar vias congestionadas, anunciar informações em tempo real sobre o congestionamento a todos os motoristas pode levar ao caos”, disse Gang. “Os motoristas podem alterar imediatamente suas rotas em resposta à informação, o que pode aliviar o congestionamento em algumas vias, mas simultaneamente criar congestionamento em outras. Essa interação dinâmica torna a previsão particularmente complexa.”
Para contornar esse problema, os pesquisadores dizem que se concentrarão em partes dos sistemas humanos que aparentemente não são afetadas por nossas intenções. No exemplo da rede viária, isso pode ser feito observando rotas que são congestionadas mais por causa de seu design fundamental do que pelo comportamento dos motoristas nelas.
“Usar IA para capturar esses sinais fundamentais pode ser valioso para fazer previsões”, disse Yan. “Embora prever esses sistemas seja desafiador, vale a pena, pois transições críticas em sistemas envolvendo humanos podem ter consequências ainda mais graves.”
