Desastres naturais, pandemias, crises económicas: IA pode prever pontos de rutura catastróficos, defendem cientistas

Prever pontos de rutura perigosos em sistemas complexos tem sido um desafio significativo para a ciência. Agora, um novo sistema de inteligência artificial (IA) pode estar prestes a mudar este cenário, oferecendo a possibilidade de prever colapsos ecológicos, crises financeiras, pandemias e apagões energéticos.

Investigadores na área da ciência computacional criaram um programa de IA capaz de antecipar o surgimento de pontos de rutura catastróficos. Este avanço poderia permitir preparar melhor a sociedade para estas mudanças abruptas ou, em alguns casos, até prevenir a transição, minimizando assim os danos, conforme explicou Gang Yan, professor de ciência computacional na Universidade Tongji, na China, e autor principal do estudo. “Se pudermos prever uma transição crítica iminente, podemos preparar-nos para a mudança ou até evitar a transição, mitigando, assim, os danos,” afirmou Yan ao portal Live Science. Os resultados desta investigação foram publicados a 15 de julho na revista Physical Review X.

Os pontos de rutura referem-se a mudanças abruptas e irreversíveis num sistema localizado ou no seu ambiente, que o conduzem a um estado indesejado, difícil de reverter. Um exemplo notório seria o colapso da camada de gelo da Gronelândia, que, além de reduzir a queda de neve na região, provocaria uma elevação drástica do nível do mar, tornando a recuperação da camada de gelo praticamente impossível.

No entanto, a ciência por detrás destas transformações drásticas é ainda pouco compreendida, muitas vezes baseando-se em modelos excessivamente simplificados, o que dificulta previsões precisas. Tradicionalmente, os cientistas utilizam estatísticas para avaliar a diminuição da resiliência de sistemas por meio das suas flutuações crescentes. No entanto, os resultados obtidos através desses métodos estatísticos têm sido controversos.

Abordagem Inovadora da IA

Na busca de um método mais preciso para prever transições perigosas, os investigadores combinaram dois tipos distintos de redes neurais — algoritmos que imitam o processamento de informação pelo cérebro. A primeira rede descompôs sistemas complexos em grandes redes de nós interconectados e seguiu as conexões entre esses nós; a segunda focou-se em como os nós individuais mudavam ao longo do tempo.

“Por exemplo, num sistema financeiro, um nó pode representar uma única empresa; num sistema ecológico, um nó pode simbolizar uma espécie; num sistema de redes sociais, um nó pode denotar um utilizador, entre outros,” explicou Yan.

Dado que os pontos de rutura são difíceis de prever, saber onde procurar é igualmente complicado, o que torna os dados reais sobre transições críticas abruptas escassos. Para treinar o modelo, os investigadores recorreram a pontos de rutura em sistemas teóricos simples, como ecossistemas modelos e metrónomos descoordenados que, ao longo do tempo, começam a sincronizar-se.

Após a rede neural ser alimentada com dados suficientes, os cientistas aplicaram-na a um caso do mundo real: a transformação de florestas tropicais em savanas. Utilizando mais de 20 anos de dados de satélite de três regiões da África Central que passaram por essa transição, os investigadores forneceram ao algoritmo informações sobre precipitação e cobertura arbórea em duas das regiões.

Com base nesses dados, a IA conseguiu prever com precisão o que aconteceu na terceira região, mesmo quando 81% dos nós do sistema (neste caso, parcelas de terra) não foram observados, segundo os investigadores.

Desafios e Perspectivas Futuras

Após o sucesso em prever um ponto de rutura, os investigadores agora procuram formas de decifrar a “caixa-negra” do algoritmo para identificar os padrões que este detetou. A esperança é aplicar este modelo a outros sistemas, como incêndios florestais, pandemias e crises financeiras.

Contudo, um dos grandes desafios em prever sistemas que envolvem humanos é o facto de aprendermos e reagirmos às nossas próprias previsões, o que pode complicar ainda mais as análises. “Considere, por exemplo, o transporte urbano: embora seja relativamente simples identificar estradas congestionadas, anunciar essa informação em tempo real a todos os condutores pode gerar caos,” explicou Yan. “Os condutores podem alterar imediatamente as suas rotas em resposta à informação, aliviando o congestionamento em algumas estradas, mas criando-o em outras. Esta interação dinâmica torna a previsão particularmente complexa.”

Para contornar este problema, os investigadores pretendem focar-se em partes dos sistemas humanos que sejam aparentemente imunes às intenções humanas. No exemplo da rede rodoviária, isto poderia ser feito ao observar rotas congestionadas mais devido ao seu design fundamental do que ao comportamento dos condutores.

“Utilizar a IA para capturar esses sinais fundamentais pode ser valioso para fazer previsões,” afirmou Yan. “Embora prever tais sistemas seja um desafio, vale a pena, porque as transições críticas em sistemas que envolvem humanos podem ter consequências ainda mais graves.”