Một bức ảnh chụp đám cháy rừng. (Ảnh: Jackal Yu|)
Các nhà nghiên cứu đã công bố phát hiện này trên tạp chí Physical Review X.
AI dự đoán chính xác
Điểm tới hạn là những thay đổi đột ngột mà sau đó một hệ thống cục bộ hoặc môi trường của nó sẽ chuyển sang trạng thái không mong muốn mà khó có thể phục hồi. Ví dụ, nếu tảng băng Greenland sụp đổ, nó cũng sẽ làm giảm lượng tuyết rơi ở phía bắc của hòn đảo, làm mực nước biển dâng cao đáng kể và khiến nhiều phần của tảng băng không thể phục hồi được .
Tuy nhiên, khoa học đằng sau những chuyển đổi mạnh mẽ này vẫn chưa được hiểu rõ và thường dựa trên các mô hình quá đơn giản, khiến cho việc dự đoán chính xác trở nên khó khăn. Trước đây, các nhà khoa học đã sử dụng số liệu thống kê để đánh giá sức mạnh và khả năng phục hồi đang giảm dần của các hệ thống thông qua những biến động ngày càng tăng của chúng.
Để tìm kiếm một cách chính xác hơn để dự đoán các chuyển đổi nguy hiểm, các nhà nghiên cứu đã kết hợp hai loại mạng nơ-ron khác nhau hoặc các thuật toán mô phỏng cách thông tin được xử lý trong não. Loại đầu tiên chia nhỏ các hệ thống phức tạp thành các mạng lớn gồm các nút tương tác trước khi theo dõi các kết nối giữa các nút; và loại thứ hai theo dõi cách các nút riêng lẻ thay đổi theo thời gian.
Vì điểm tới hạn khó dự đoán, nên việc biết tìm chúng ở đâu cũng khó khăn không kém, khiến dữ liệu thực tế về các chuyển đổi quan trọng đột ngột trở nên khan hiếm. Để đào tạo mô hình của mình, các nhà nghiên cứu thay vào đó đã chuyển sang các điểm tới hạn trong các hệ thống lý thuyết đơn giản - bao gồm các hệ sinh thái mô hình và các máy đếm nhịp không đồng bộ, khi có đủ thời gian, chúng bắt đầu chuyển động cùng nhau. Các nhà nghiên cứu cho biết, AI đã dự đoán chính xác những gì xảy ra.
Giải mã hộp đen về cháy rừng, đại dịch và khủng hoảng tài chính
Một thách thức trong việc dự đoán các hệ thống liên quan đến con người là tìm hiểu và phản ứng với các dự báo của chính mình.
Chẳng hạn, về giao thông đô thị: trong khi có thể dễ dàng xác định các tuyến đường tắc nghẽn, việc thông báo thông tin tắc nghẽn theo thời gian thực có thể dẫn đến hỗn loạn. Người lái xe có thể ngay lập tức thay đổi lộ trình của họ, điều này có thể làm giảm tắc nghẽn trên một số tuyến đường nhưng đồng thời lại tạo ra tắc nghẽn trên những tuyến đường khác. Sự tương tác năng động này làm cho việc dự đoán trở nên đặc biệt phức tạp.
Để giải quyết vấn đề này, các nhà nghiên cứu cho biết họ sẽ tập trung vào các bộ phận của hệ thống con người dường như không bị ảnh hưởng. Trong ví dụ về mạng lưới đường bộ, điều này có thể được thực hiện bằng cách xem xét các tuyến đường bị tắc nghẽn nhiều hơn do thiết kế cơ bản của chúng.
Sử dụng AI để nắm bắt những tín hiệu cơ bản này có giá trị trong việc đưa ra dự đoán. Mặc dù việc dự đoán các hệ thống như vậy là một thách thức, nhưng nó rất đáng giá vì những chuyển đổi quan trọng trong các hệ thống có sự tham gia của con người có thể gây ra hậu quả thậm chí còn nghiêm trọng hơn.
