Roman RemberForskare har utvecklat ett toppmodernt artificiellt intelligenssystem som kan förutsäga katastrofala tipping points i komplexa system. Med denna revolutionerande teknologi syftar de till att förutsäga ekologiska kollapser, finanskriser, pandemier och strömavbrott med enastående noggrannhet.
Tipping points representerar plötsliga förändringar som leder lokala system eller deras miljöer till oönskade tillstånd som är svåra att återställa. Till exempel kan kollapsen av Grönlands istäcke resultera i minskad snöfall i den nordliga delen av ön, en skarp ökning av havsnivån och irreparabel skada på betydande delar av istäcket.
Tidigare förlitade sig forskare på enkla modeller baserade på statistik för att bedöma systemets motståndskraft och stabilitet. Resultaten av sådana statistiska metoder har emellertid ofta varit otillräckliga på grund av händelsernas komplexa natur. För att förbättra förutsägelser av farliga övergångar kombinerade forskare två olika typer av neurala nätverk eller algoritmer för att härma informationsbearbetningsmetoderna hos hjärnan.
Med tanke på svårigheten att förutsäga tipping points och veta var man ska leta efter dem på grund av brist på verkliga data om plötsliga kritiska övergångar, vände sig forskare till avgörande ögonblick i enkla teoretiska system för att träna sin modell, inklusive modell ekosystem och osynkroniserade metronomer som synkroniseras över tid.
Författaren till studien, professor Gan Yan från Tsinghua University i Kina, betonade vikten av att förutse plötsliga övergångar långt i förväg för att kunna förbereda sig för och potentiellt förhindra dessa förändringar, och därigenom mildra deras konsekvenser. Trots att det fortfarande är en utmaning att förutsäga sådana komplexa system, bär användningen av artificiell intelligens för prognosändamål betydande löften.
Det är tydligt att användningen av artificiell intelligens kan vara ovärderlig för att förutse oförutsägbara händelser och förbereda sig för deras effekter. Denna banbrytande approach markerar ett betydande steg framåt inom prediktiv analysens område och kan kraftigt förbättra vår förmåga att förutse och svara på oväntade kriser proaktivt.
