Összetett, kaotikus rendszerek előrejelzésére találtak új, mesterséges intelligenciával támogatott módszert kutatók. Az időjárás-előrejelezés is nehéz, pedig az időjárást irányító egyenletek viszonylag jól működnek. Vannak azonban rendszerek, melyeknél olyan fordulópontok következhetnek be, melyek hirtelen, drámaian és akár visszafordíthatatlanul is megváltoztatják a rendszer viselkedését olyan módon, amire az előzményekből nem lehet következtetni.

A Golf-áramlatról, amely egy az Atlanti-óceánban áramló hatalmas folyóként viszi a melegebb vizet Észak-Európa felé, például megállapították, hogy az olvadó jégtakarókból beleáramló édesvíz hatására fokozatosan lassul. Azt azonban jelenleg lehetetlen megjósolni, hogy bekövetkezhet-e egy olyan állapot, hogy megáll az áramlása, illetve hogy mi történik az után, ha ez mégis bekövetkezik.

A kulcsszó a reservoir computing

Különböző kutatócsoportok dolgoznak azon, hogy gépi tanulási algoritmusokkal megjósolják az ilyen, nem-stacionáriusnak nevezett rendszerek működésében a fordulópontokat, és a fordulópont utáni viselkedésüket. Ha a módszer beválik, forradalmasíthatja az éghajlatkutatást, az ökológiai folyamatok vizsgálatát, de akár még a járványtani kutatásokat is, írja a Quanta Magazine.

A Marylandi Egyetem káoszkutatóinak Edward Ott vezetésével már több éve sikerült kimutatniuk, hogy az úgynevezett rekurrens vagy visszacsatolt neurális hálózat megdöbbentően távoli előrejelzéseket tud adni a stacionárius kaotikus rendszerek változásaira (ezek olyan rendszerek, melyeknek nincsenek fordulópontjaik).

Viszont az is kiderült, hogy a neurális hálózatoknak van egy komoly korlátja: egy változó rendszer múltbeli adataiból tanulnak, ám a nem-stacionárius rendszerek fordulópont utáni állapotáról nem mondanak semmit. Olyan ez, mintha egy focimeccs kimenetelét próbálnánk megjósolni, de közben az átalakult lovaspólómeccsé.

A megoldást a rezervoir computing jellegű algoritmusok hozhatják, melyeket dinamikus rendszerek generálta idősoros vagy szekvenciális adatok feldolgozására dolgoztak ki. Az ilyen algoritmusok egy olyan "gyűjtőtartályból" veszik az adatokat, melyek véletlenszerűen csatlakoztatott egységekből állnak. Az algoritmus mindig csak néhány paraméterét frissíti, a többi, véletlenszerűen kiválasztott paramétert pedig rögzíti. Mivel ezek az algoritmusok kis tanítási adatkészletet igényelnek, és lineáris optimalizálást használnak, futtatásukhoz minimális számítási erőforrás kell.

A kutatók egy ilyen algoritmusba egy rendszer egyetlen olyan, lassan "sodródó" paraméterét állították be, amely az adott rendszert elvileg átlökheti egy fordulóponton, de a rendszer működésére vonatkozó egyenleteket nem táplálták be. (Pl. tudjuk, hogy a légkör szén-dioxid-koncentrációja hogyan emelkedik, de nem ismerjük, hogy ez hányféleképpen befolyásolja az éghajlatot.) Kísérleteztek olyan neurális hálózatokkal is, amelyek csak a vizsgált rendszer viselkedését látták, ám arról nem kaptak információt, hogy mely paraméter felelős a fordulópont bekövetkezéséért. Az algoritmusok sok esetben képesek voltak megjósolni a fordulópontot, és valószínűségi eloszlást adtak arra vonatkozóan is, hogy a rendszer a fordulópont után hogyan fog viselkedni.

Itt nem gátol, hanem segít a zaj

De az igazi meglepetést az adatzaj szerepe okozta. Az algoritmusok ugyanis általában akkor adják a legjobb eredményt, amikor zajos képzési adatokat kaptak. Pedig korábban pont az volt a probléma, hogy a zaj akadályozza a pontos előrejelzést. A feltételezés az, hogy a reservoir computingnál a zaj segített az algoritmusnak abban, hogy a rendszer lehetséges viselkedésének szélesebb skáláját tárja fel.

A probléma teljes megoldása azonban még meglehetősen messze van. A fordulópont utáni változások ugyanis sokféleképpen módosíthatják egy kaotikus rendszer viselkedését. Ha egy rendszer állapotváltozását egy absztrakt térben (diagramon) mozgó pontként ábrázoljuk, a szabályos ciklikusságot követő rendszer egy ismétlődő pályát rajzol ki. A kaotikus rendszernél ezzel szemben kusza vonalak halmazát látjuk. Ha utóbbi rendszer túljut egy fordulóponton, de az új kusza vonalhalmaz a diagramnak ugyanazon részén marad, a neurális hálózat a fordulópont előtti adatokban találhat releváns információkat a rendszer jövőbeni sorsára vonatkozóan. Ha azonban a fordulópont után a rendszer a diagram egy távoli régiójában kezdi az új életét, sokkal nehezebbé válik az előrejelzés, hiszen nemcsak a rendszer dinamikája, hanem működési tere is megváltozik. Utóbbi esetben a reservoir computing kombinálása a hagyományos tudásalapú modellezéssel javíthat az eredményen.