Μέθοδος πρόβλεψης σπάνιων και ακραίων γεγονότων σε φύση και κοινωνία από Ελληνες επιστήμονες
👉Μια επαναστατική μέθοδο για πρόβλεψη επικίνδυνων φαινομένων και συμβάντων για την εμφάνιση των οποίων δεν υπάρχουν διαθέσιμα στοιχεία που να επιτρέπουν σε κάποιον να διαπιστώσει τον πιθανά επερχόμενο κίνδυνο ανέπτυξε ερευνητική ομάδα στην οποία συμμετείχαν και Έλληνες επιστήμονες της διασποράς.
Οι ερευνητές ανέπτυξαν μια νέα τεχνική που επιτρέπει να γίνεται πρόβλεψη ακραίων και σπάνιων γεγονότων στην κοινωνία και στη φύση, όπως μια πανδημία, ένα απρόσμενο γιγάντιο κύμα στη θάλασσα ή η ξαφνική κατάρρευση μιας μεγάλης γέφυρας, ακόμη κι αν δεν υπάρχουν επαρκή ιστορικά δεδομένα. Η «έξυπνη» μέθοδος, που παρακάμπτει την ανάγκη για μεγάλο όγκο προηγούμενων δεδομένων, αποτελεί έναν συνδυασμό εξελιγμένου συστήματος τεχνητής νοημοσύνης (μηχανικής μάθησης) με ειδικές τεχνικές δειγματοληψίας.
Οι καθηγητές μηχανολογίας και επιστήμης των ωκεανών Θεμιστοκλής Σαψής του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (ΜΙΤ) και εφαρμοσμένων μαθηματικών & μηχανικής Γιώργος Καρνιαδάκης του Πανεπιστημίου Μπράουν του Ρόουντ Άιλαντ, μαζί με δύο Αμερικανούς συναδέλφους τους, έκαναν τη σχετική δημοσίευση στην επιθεώρηση «Nature Computational Science».
Οι επιστήμονες συνδύασαν στατιστικούς αλγόριθμους (που χρειάζονται λιγότερα δεδομένα για να κάνουν ακριβείς και αποτελεσματικές προβλέψεις) με μια ισχυρή τεχνική μηχανικής μάθησης με την ονομασία DeepOnet που αναπτύχθηκε το 2019 στο Μπράουν από τον Καρνιαδάκη και πλέον «εκπαιδεύτηκε» για να προβλέπει σενάρια, πιθανότητες και μερικές φορές τον χρόνο σπάνιων συμβάντων, παρά την έλλειψη σχετικών ιστορικών αρχείων.
Η πρόβλεψη μελλοντικών καταστροφών από ακραία συμβάντα (σεισμοί, πανδημίες, κύματα-γίγαντες κ.α.) είναι τρομερά δύσκολη, συχνά επειδή ορισμένα τέτοια γεγονότα είναι τόσο σπάνια που δεν υπάρχουν αρκετά δεδομένα για να χρησιμοποιηθούν μοντέλα πρόβλεψης, έτσι ώστε να προβλεφθεί τι και πότε μπορεί να συμβεί στο μέλλον κάτι ανάλογο. Η νέα μελέτη επιχειρεί να δώσει μια λύση σε αυτό το πρόβλημα, δίνοντας έμφαση στην ποιότητα αντί για την ποσότητα των ήδη διαθέσιμων δεδομένων.
«Πρέπει να γίνει συνειδητό ότι πρόκειται για στοχαστικά συμβάντα. Το ξέσπασμα μιας πανδημίας όπως η Covid-19, μια περιβαλλοντική καταστροφή όπως εκείνη στον Κόλπο του Μεξικού, ένας σεισμός, οι τεράστιες πυρκαγιές στην Καλιφόρνια, ένα κύμα 30 μέτρων που αναποδογυρίζει ένα πλοίο – όλα αυτά είναι σπάνια γεγονότα και επειδή είναι σπάνια, δεν έχουν πολλά ιστορικά δεδομένα. Το ερώτημα που αντιμετωπίζουμε στη μελέτη μας είναι: Ποιά είναι τα καλύτερα δυνατά δεδομένα που μπορούμε να χρησιμοποιήσουμε για να ελαχιστοποιήσουμε τον αριθμό των δεδομένων που χρειαζόμαστε», δήλωσε ο Καρνιαδάκης.
Οι ερευνητές χρησιμοποίησαν την τεχνική δειγματοληψίας που λέγεται ενεργή μάθηση και αφορά στατιστικούς αλγόριθμους. Αυτοί συνδυάζονται με το υπολογιστικό μοντέλο DeepOnet, ένα είδος τεχνητού νευρωνικού δικτύου που μιμείται τους νευρώνες του ανθρώπινου εγκεφάλου. Είναι ισχυρότερο από τα τυπικά τεχνητά νευρωνικά δίκτυα, επειδή στην πραγματικότητα απαρτίζεται από δύο ξεχωριστά δίκτυα που επεξεργάζονται δεδομένα εκ παραλλήλου. Αυτό επιτρέπει να αναλύονται γιγάντιες ομάδες δεδομένων και σεναρίων με αστραπιαία ταχύτητα και να προκύπτουν ανάλογες πιθανότητες. Όταν η δυνατότητα αυτή συνδυαστεί με τους έξυπνους στατιστικούς αλγόριθμους της ενεργού μάθησης, τότε το DeepOnet μπορεί να κάνει προβλέψεις καταστροφικών συμβάντων, ακόμη και όταν δεν έχει πολλά δεδομένα για να επεξεργαστεί.
«Το κλειδί είναι μην πάρει κανείς όλα τα δυνατά δεδομένα και να τα τροφοδοτήσει στο σύστημα, αλλά να αναζητήσει εκ των προτέρων γεγονότα που θα σηματοδοτήσουν σπάνια συμβάντα. Μπορεί να μην έχουμε πολλά παραδείγματα του πραγματικού συμβάντος, αλλά μπορεί να έχουν τα πρόδρομα γεγονότα τους. Μέσω των μαθηματικών τα εντοπίζουμε και αυτά, μαζί με τα πραγματικά γεγονότα, θα μας βοηθήσουν να εκπαιδεύσουμε αυτό το πεινασμένο για δεδομένα σύστημα DeepOnet», ανέφερε ο Καρνιαδάκης.
Με αυτό τον τρόπο, οι ερευνητές υπολόγισαν διάφορες πιθανότητες για μελλοντικές εξάρσεις μιας πανδημίας ή για την εμφάνιση από το πουθενά ενός τεράστιου κύματος διπλάσιου έως τριπλάσιου από τα γειτονικά κύματα. Οι ερευνητές ανέφεραν ότι η νέα μέθοδός τους έχει ανώτερη απόδοση από τα περισσότερα υπάρχοντα μοντέλα πρόβλεψης και θεωρούν ότι είναι δυνατό να αξιοποιηθεί για να προβλεφθούν κάθε είδους σπάνια γεγονότα. Ο Καρνιαδάκης ήδη συνεργάζεται με περιβαλλοντικούς επιστήμονες για να χρησιμοποιηθεί η νέα τεχνική στην πρόγνωση κλιματικών συμβάντων, όπως οι τυφώνες.
Τόσο ο Θ.Σαψής όσο και ο Γ.Καρνιαδάκης είναι απόφοιτοι της Σχολής Μηχανολόγων Μηχανικών του ΕΜΠ, με διδακτορικό στη συνέχεια από το ΜΙΤ. Ο Σαψής είναι, μεταξύ άλλων, κάτοχος του επιστημονικού βραβείου Μποδοσάκη έτους 2021.
Οι ερευνητές ανέπτυξαν μια νέα τεχνική που επιτρέπει να γίνεται πρόβλεψη ακραίων και σπάνιων γεγονότων στην κοινωνία και στη φύση, όπως μια πανδημία, ένα απρόσμενο γιγάντιο κύμα στη θάλασσα ή η ξαφνική κατάρρευση μιας μεγάλης γέφυρας, ακόμη κι αν δεν υπάρχουν επαρκή ιστορικά δεδομένα. Η «έξυπνη» μέθοδος, που παρακάμπτει την ανάγκη για μεγάλο όγκο προηγούμενων δεδομένων, αποτελεί έναν συνδυασμό εξελιγμένου συστήματος τεχνητής νοημοσύνης (μηχανικής μάθησης) με ειδικές τεχνικές δειγματοληψίας.
Οι καθηγητές μηχανολογίας και επιστήμης των ωκεανών Θεμιστοκλής Σαψής του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (ΜΙΤ) και εφαρμοσμένων μαθηματικών & μηχανικής Γιώργος Καρνιαδάκης του Πανεπιστημίου Μπράουν του Ρόουντ Άιλαντ, μαζί με δύο Αμερικανούς συναδέλφους τους, έκαναν τη σχετική δημοσίευση στην επιθεώρηση «Nature Computational Science».
Οι επιστήμονες συνδύασαν στατιστικούς αλγόριθμους (που χρειάζονται λιγότερα δεδομένα για να κάνουν ακριβείς και αποτελεσματικές προβλέψεις) με μια ισχυρή τεχνική μηχανικής μάθησης με την ονομασία DeepOnet που αναπτύχθηκε το 2019 στο Μπράουν από τον Καρνιαδάκη και πλέον «εκπαιδεύτηκε» για να προβλέπει σενάρια, πιθανότητες και μερικές φορές τον χρόνο σπάνιων συμβάντων, παρά την έλλειψη σχετικών ιστορικών αρχείων.
Η πρόβλεψη μελλοντικών καταστροφών από ακραία συμβάντα (σεισμοί, πανδημίες, κύματα-γίγαντες κ.α.) είναι τρομερά δύσκολη, συχνά επειδή ορισμένα τέτοια γεγονότα είναι τόσο σπάνια που δεν υπάρχουν αρκετά δεδομένα για να χρησιμοποιηθούν μοντέλα πρόβλεψης, έτσι ώστε να προβλεφθεί τι και πότε μπορεί να συμβεί στο μέλλον κάτι ανάλογο. Η νέα μελέτη επιχειρεί να δώσει μια λύση σε αυτό το πρόβλημα, δίνοντας έμφαση στην ποιότητα αντί για την ποσότητα των ήδη διαθέσιμων δεδομένων.
«Πρέπει να γίνει συνειδητό ότι πρόκειται για στοχαστικά συμβάντα. Το ξέσπασμα μιας πανδημίας όπως η Covid-19, μια περιβαλλοντική καταστροφή όπως εκείνη στον Κόλπο του Μεξικού, ένας σεισμός, οι τεράστιες πυρκαγιές στην Καλιφόρνια, ένα κύμα 30 μέτρων που αναποδογυρίζει ένα πλοίο – όλα αυτά είναι σπάνια γεγονότα και επειδή είναι σπάνια, δεν έχουν πολλά ιστορικά δεδομένα. Το ερώτημα που αντιμετωπίζουμε στη μελέτη μας είναι: Ποιά είναι τα καλύτερα δυνατά δεδομένα που μπορούμε να χρησιμοποιήσουμε για να ελαχιστοποιήσουμε τον αριθμό των δεδομένων που χρειαζόμαστε», δήλωσε ο Καρνιαδάκης.
Οι ερευνητές χρησιμοποίησαν την τεχνική δειγματοληψίας που λέγεται ενεργή μάθηση και αφορά στατιστικούς αλγόριθμους. Αυτοί συνδυάζονται με το υπολογιστικό μοντέλο DeepOnet, ένα είδος τεχνητού νευρωνικού δικτύου που μιμείται τους νευρώνες του ανθρώπινου εγκεφάλου. Είναι ισχυρότερο από τα τυπικά τεχνητά νευρωνικά δίκτυα, επειδή στην πραγματικότητα απαρτίζεται από δύο ξεχωριστά δίκτυα που επεξεργάζονται δεδομένα εκ παραλλήλου. Αυτό επιτρέπει να αναλύονται γιγάντιες ομάδες δεδομένων και σεναρίων με αστραπιαία ταχύτητα και να προκύπτουν ανάλογες πιθανότητες. Όταν η δυνατότητα αυτή συνδυαστεί με τους έξυπνους στατιστικούς αλγόριθμους της ενεργού μάθησης, τότε το DeepOnet μπορεί να κάνει προβλέψεις καταστροφικών συμβάντων, ακόμη και όταν δεν έχει πολλά δεδομένα για να επεξεργαστεί.
«Το κλειδί είναι μην πάρει κανείς όλα τα δυνατά δεδομένα και να τα τροφοδοτήσει στο σύστημα, αλλά να αναζητήσει εκ των προτέρων γεγονότα που θα σηματοδοτήσουν σπάνια συμβάντα. Μπορεί να μην έχουμε πολλά παραδείγματα του πραγματικού συμβάντος, αλλά μπορεί να έχουν τα πρόδρομα γεγονότα τους. Μέσω των μαθηματικών τα εντοπίζουμε και αυτά, μαζί με τα πραγματικά γεγονότα, θα μας βοηθήσουν να εκπαιδεύσουμε αυτό το πεινασμένο για δεδομένα σύστημα DeepOnet», ανέφερε ο Καρνιαδάκης.
Με αυτό τον τρόπο, οι ερευνητές υπολόγισαν διάφορες πιθανότητες για μελλοντικές εξάρσεις μιας πανδημίας ή για την εμφάνιση από το πουθενά ενός τεράστιου κύματος διπλάσιου έως τριπλάσιου από τα γειτονικά κύματα. Οι ερευνητές ανέφεραν ότι η νέα μέθοδός τους έχει ανώτερη απόδοση από τα περισσότερα υπάρχοντα μοντέλα πρόβλεψης και θεωρούν ότι είναι δυνατό να αξιοποιηθεί για να προβλεφθούν κάθε είδους σπάνια γεγονότα. Ο Καρνιαδάκης ήδη συνεργάζεται με περιβαλλοντικούς επιστήμονες για να χρησιμοποιηθεί η νέα τεχνική στην πρόγνωση κλιματικών συμβάντων, όπως οι τυφώνες.
Τόσο ο Θ.Σαψής όσο και ο Γ.Καρνιαδάκης είναι απόφοιτοι της Σχολής Μηχανολόγων Μηχανικών του ΕΜΠ, με διδακτορικό στη συνέχεια από το ΜΙΤ. Ο Σαψής είναι, μεταξύ άλλων, κάτοχος του επιστημονικού βραβείου Μποδοσάκη έτους 2021.