Создание сценариев для экстремальных событий без использования экстремальных данных.

Новый алгоритм учится предвидеть беспрецедентные сценарии, к которым критически важная инфраструктура и глобальные цепочки поставок наименее подготовлены. Телефон: 617-253-2709 MIT News Office Подпись : Инженеры MIT разработали инструмент, который генерирует реалистичные экстремальные события и наихудшие сценарии. Их метод не требует знания предыдущих экстремальных событий для генерации реалистичных будущих экстремальных событий. Источники : MIT News; iStock Инженеры из Массачусетского технологического института разработали инструмент, который генерирует реалистичные экстремальные события и наихудшие сценарии. Их метод не требует знания предыдущих экстремальных событий для генерации реалистичных будущих экстремальных событий. Источник: MIT News; iStock

Выдержит ли городская дамба сильный шторм? Справится ли энергосистема региона с рекордно высокой температурой? И смогут ли городские противопожарные ресурсы сдержать крупный лесной пожар?

Чтобы ответить на эти вопросы, сообществам сначала нужно будет понять, как могут развиваться подобные экстремальные события. Насколько вероятно распространение лесного пожара? Какую часть региона может затронуть шторм? Как долго может длиться жара?

Однако экстремальные события, как известно, крайне сложно предсказать. По своей природе они являются аномальными явлениями. В истории ведения учета экстремальные события были спорадическими и редкими. Тем не менее, большинство методов оценки риска для региона основаны на анализе экстремальных событий прошлого для характеристики еще более экстремальных, наихудших сценариев в будущем.

Теперь инженеры из Массачусетского технологического института разработали инструмент, который генерирует правдоподобные экстремальные события и наихудшие сценарии, а также отображает их характеристики, такие как вероятная продолжительность, интенсивность и зона воздействия экстремального шторма. Ключевым моментом их метода является то, что для генерации правдоподобных будущих экстремальных событий не требуется знать о предыдущих экстремальных событиях.

Вместо этого, метод, представленный в виде алгоритма машинного обучения, обучается на основе набора данных, такого как ежедневные метеорологические записи и карты региона. Эти записи могут содержать или не содержать данные о прошлых экстремальных отклонениях, таких как рекордная жара или осадки. Алгоритм команды использует статистический подход для обучения на основе имеющихся данных, чтобы исключить неправдоподобные погодные сценарии. Затем метод генерирует правдоподобные экстремальные события, которые, вероятно, произойдут в регионе с заданной частотой (например, раз в 100 лет), и прогнозирует, как эти экстремальные события могут выглядеть с точки зрения их масштаба, интенсивности и продолжительности.

«Мы пытаемся смоделировать экстремальные, беспрецедентные события, которых никто раньше не видел и которых нет в наборе данных», — говорит Кай Чанг SM '25, аспирант Центра вычислительной науки и инженерии Массачусетского технологического института.

«Такое событие, как ураган Катрина, происходит каждые 30-40 лет», — добавляет Темис Сапсис, профессор кафедры машиностроения и океанотехники имени Уильяма И. Коха в Массачусетском технологическом институте, ключевой сотрудник Центра вычислительной науки и инженерии и сотрудник Института данных, систем и общества Массачусетского технологического института. «Каким будет ураган Катрина, который случается каждые 100 лет? Насколько разрушительным он будет? Именно это мы и пытаемся количественно оценить, чтобы помочь планировщикам подготовиться к вероятным экстремальным сценариям».

Помимо погодных явлений, этот подход, который команда назвала Extreme Event Aware, или «η-обучение», может быть применен и в других областях, таких как роботизированная навигация и финансовые рынки.

«Обвалы финансовых рынков — это экстремальные события, представляющие собой сложную комбинацию факторов, затрагивающих множество различных секторов», — говорит Чанг. «Какое взаимодействие приводит к обвалу рынка? Это то, что можно исследовать с помощью данного метода».

Сапсис и Чанг подробно описывают свой новый метод в статье с открытым доступом, опубликованной 20 августа в журнале Nature Communications.

«Рискованнее всего на свете»

Для оценки риска экстремальных погодных явлений в регионе планировщики, политики и страховые компании обычно задают такие вопросы, как: «Как выглядит шторм, случающийся раз в 100 лет, в Нью-Йорке?» Для получения ответов они используют компьютерные модели, которые должны быть обучены на данных, включающих экстремальные события, происходящие раз в столетие, чтобы изучить условия, предшествующие этим событиям, и сгенерировать сценарии того, как эти события могут выглядеть в будущем.

«Эти методы предполагают наличие в наборе данных очень катастрофических событий, и они разрабатывают метод либо для оценки риска этих событий, либо для точного прогнозирования произошедших событий», — говорит Чанг. «Мы пытаемся понять: как выглядят беспрецедентные экстремальные события, которые представляют больший риск, чем все, что происходило раньше, и при этом остаются правдоподобными?»

Например, если самое экстремальное количество осадков, когда-либо зарегистрированное в Нью-Йорке, составляет 200 миллиметров, то какой шторм мог бы вызвать еще более экстремальное значение — 300 миллиметров? Подобное событие никогда ранее не регистрировалось, но все же может быть вполне вероятным. Городские планировщики хотели бы знать, где именно обрушится такой шторм, какую площадь он покроет и насколько интенсивным он будет. Моделирование шторма могло бы помочь им оценить состояние инфраструктуры и спланировать меры по ее укреплению.

«Мы хотим составить карты наихудших сценариев развития событий, — говорит Сапсис. — Нет эффективного метода, позволяющего прогнозировать события, которые происходят редко».

Экстремальное обучение

Новый алгоритм команды генерирует правдоподобные, беспрецедентные экстремальные сценарии, не требуя обучения на данных о предыдущих экстремальных событиях. Для этого алгоритм объединяет и изучает статистические данные, или вероятности, о взаимосвязи между двумя типами данных: точечными статистическими данными и пространственными картами.

Для демонстрации исследователи применили этот метод для создания карт будущих экстремальных осадков на территории континентальной части Соединенных Штатов. В качестве исходных данных исследователи использовали карты осадков за 25 лет, собранные почасово, которые затем были объединены в ежедневные карты. На основе всей базы данных они рассчитали точечную статистику, описывающую, как часто максимальное количество осадков на карте достигало заданного уровня. Затем они обучили алгоритм на парных пространственных картах низкого и высокого разрешения, полученных только за первые шесть месяцев наблюдений, которые содержали мало или совсем не содержали примеров наиболее экстремальных уровней осадков.

На основе этих данных алгоритм научился определять, как закономерности на картах низкого разрешения соотносятся с подробными картами осадков высокого разрешения. Затем он использовал точечную статистику для ограничения экстремальных значений осадков, представленных на этих картах. Такое сочетание позволяет алгоритму генерировать правдоподобные пространственные закономерности для событий, более экстремальных, чем те, которые представлены в обучающих данных — например, возможные местоположения, размеры и интенсивность ливневых осадков, выпадающих раз в столетие, с максимальным количеством 300 миллиметров.

Пользователь может задать обученному алгоритму вопрос, например: «Как может выглядеть шторм, случающийся раз в столетие, в Нью-Йорке?» Затем алгоритм генерирует карты статистически вероятных штормов, которые, вероятно, будут происходить с такой частотой, включая такие характеристики, как размер шторма, площадь его действия и интенсивность осадков.

«Кто-то может сказать: „Меня интересует создание вещей, способных выдерживать риск событий, происходящих раз в 100 лет“, — говорит Чанг. — Тогда мы можем создать тысячи возможных вариантов, которые будут происходить с такой редкой частотой».

При наличии соответствующих точечных статистических данных и пространственной информации этот метод можно применять для визуализации других беспрецедентных событий, таких как экстремальные наводнения и лесные пожары.

«Экстремальные события стали стратегической проблемой, а не просто экологической — мы оптимизировали глобальные системы для повышения эффективности, и цена этой эффективности заключается в том, что нигде не остается запаса прочности. Одно экстремальное событие за несколько недель распространяется по цепочкам поставок, энергетическим рынкам и продовольственным системам», — говорит Сапсис. «Возможность оценить вероятность события, которое еще не произошло, теперь является вопросом национальной и экономической устойчивости».

Данное исследование было частично профинансировано за счет стипендии имени Ванневара Буша для преподавателей и Управления научных исследований ВВС США.

Источник: news.mit.edu