Алгоритм η-learning моделює небачені екстремальні події

26 серпня 2026 р. 13:02

26 серпня 2026 р. 13:02

Екстремальні погодні явища стають дедалі важчими для планування саме тому, що найруйнівніші події найменш знайомі. Інженери Массачусетського технологічного інституту (MIT) запропонували новий підхід: метод машинного навчання Extreme Event Aware, або η-learning , який генерує статистично правдоподібні екстремальні сценарії навіть тоді, коли в історичних даних майже немає подібних прикладів. Про розробку розповідає видання Scienmag .

Зазвичай ризики оцінюють, спираючись на минулий досвід. Дослідники аналізують спостережені шторми, хвилі спеки, повені, пожежі та інші небезпеки, а потім за допомогою статистичних моделей і комп’ютерних симуляцій оцінюють, як може виглядати подія з певним «періодом повернення» — наприклад, «раз на 100 років».

Однак на «хвості» розподілу, де даних мало, невизначеність різко зростає. Найсильніша подія в історичному записі може бути далеко не фізичною межею можливого. Додатково ситуацію ускладнює зміна клімату, яка змінює базові умови й робить минулі спостереження менш надійним орієнтиром для майбутніх екстремумів.

Як працює η-learning

Метод MIT пропонує іншу логіку. Замість того, щоб вимагати прикладів найекстремальніших подій під час навчання, алгоритм поєднує два типи інформації: те, як часто трапляються певні значення, і те, як ці значення розподілені в просторі .

Перший тип — це точкові статистики: числові описи ймовірності того, що змінна (наприклад, максимальна добова кількість опадів у регіоні) досягне певного рівня. Другий — просторові карти, які показують, як погода чи інші умови розподіляються на території.

Вивчивши зв’язок між цими двома формами даних, η-learning може генерувати нові карти, які залишаються узгодженими зі статистичною поведінкою регіону, але виходять за межі екстремумів, безпосередньо представлених у навчальному наборі.

Перевірка на опадах у США

Щоб продемонструвати можливості системи, дослідники застосували її до моделювання опадів на території континентальних США. Вони використали 25 років погодинних карт дощів, агрегувавши їх у добові карти. На основі повного запису було обчислено статистики частоти різних рівнів максимальної добової кількості опадів.

Водночас просторову модель тренували лише на парі низько- та високороздільних карт з перших шести місяців цього періоду. У цьому скороченому відрізку майже не було найекстремальніших дощів. Такий дизайн створив складний тест: алгоритм мав навчитися структурі та географії опадів, не «зазубривши» рідкісні шторми.

У технічних термінах просторовий компонент вивчав, як широкі, низькороздільні атмосферні структури відповідають детальним високороздільним полям опадів. Низька роздільна здатність може показувати велику систему, що рухається над регіоном, тоді як висока — локальні смуги інтенсивного дощу, проміжки між осередками та різкі відмінності в накопиченні опадів.

Точковий статистичний компонент обмежував згенеровані поля так, щоб їхні максимальні значення підкорялися заданому розподілу екстремальних значень. Разом ці два блоки дозволяють η-learning створювати багато можливих просторових реалізацій події з обраною рідкістю, наприклад шторму, який очікується раз на 100 років.

Чому важлива форма екстремальної події

Екстремальна подія визначається не лише одним піковим показником. Для служб надзвичайних ситуацій та інженерів інфраструктури не менш важливі розташування, площа, тривалість і внутрішня структура шторму.

Два шторми можуть дати однаковий максимум опадів у певній точці, але створити зовсім різні ризики, якщо один концентрується над містом, а інший розтікається по всьому водозбору. Новий метод дозволяє генерувати сценарії, в яких ці характеристики змінюються, але залишаються статистично правдоподібними.

Замість одного синтетичного «сторічного» шторму, який випадково може оминути найвразливішу комбінацію інтенсивності та охоплення, планувальник може проаналізувати тисячі можливих варіантів.

Від інфраструктури до фінансових ринків

На думку дослідників, η-learning може допомогти відповісти на запитання, з якими погано справляються стандартні прогнози та симуляції: як може виглядати шторм, сильніший за будь-який зафіксований раніше? Де зосередиться найінтенсивніший дощ? Яку площу він охопить і як довго триватиме?

Такі сценарії можуть бути корисними для оцінки надійності дренажних систем, водосховищ, мостів, транспортних мереж і прибережних захисних споруд. За тією ж логікою можна досліджувати безпрецедентні повені та лісові пожежі, якщо є відповідні просторові спостереження та статистична інформація.

Можливості методу не обмежуються природними небезпеками. У робототехніці автономні системи мають враховувати рідкісні поєднання перешкод, збоїв сенсорів чи незвичних траєкторій руху, яких не було в навчальних даних. На фінансових ринках обвал може виникати через взаємодію кількох секторів, а не одного показника. η-learning дає змогу досліджувати незвичні, але статистично правдоподібні комбінації умов, що призводять до системних збоїв.

Моделювання того, чого ще не було

Дослідники MIT Кай Чанг (Kai Chang) і Теміс Сапсіс (Themis Sapsis) описують свою роботу як спробу моделювати події, які ще не спостерігалися, але узгоджуються з відомою поведінкою системи. Метод не претендує на точний прогноз часу й місця наступної катастрофи.

Натомість він пропонує рамку для генерації великого ансамблю можливих майбутніх сценаріїв і надання кожному з них певної частоти або ймовірності. Це важливо для тих, хто має готуватися до подій, серйозніших за історичний досвід, але не може вважати кожен уявний сценарій однаково ймовірним.

Відсіюючи неправдоподібні поєднання умов і водночас зберігаючи рідкісні, але високоризикові варіанти, алгоритм робить планування найгірших випадків більш кількісним. У відкритому дослідженні, опублікованому в журналі Nature Communications, команда MIT показує, що машинне навчання може допомогти скоротити розрив між тим, що вже сталося, і тим, що ще цілком може статися.

Якщо метод η-learning підтвердить ефективність на ширшому колі загроз, він може стати інструментом, який дозволить громадам заздалегідь «побачити» катастрофи, яких історія ще не знає, і посилити захист до того, як такі події відбудуться.

Наука