Un nuevo estudio señala que el aprendizaje automático podría predecir sucesos desastrosos poco frecuentes, como terremotos o pandemias.
Los investigadores combinaron algoritmos estadísticos con una potente técnica de aprendizaje automático y la entrenaron para predecir escenarios.
Su nuevo método superó los métodos de modelización más tradicionales.
Un nuevo estudio muestra cómo el aprendizaje automático podría predecir sucesos desastrosos poco frecuentes, como terremotos o pandemias.
La investigación sugiere cómo los científicos pueden prescindir de conjuntos de datos enormes para pronosticar sucesos extremos mediante la combinación de un sistema avanzado de aprendizaje automático y técnicas de muestreo secuencial.
A la hora de predecir desastres provocados por sucesos extremos (como terremotos, pandemias, o «olas gigantes», que podrían destruir estructuras costeras), la modelización computacional se enfrenta a un desafío casi insuperable: desde el punto de vista estadístico, estos sucesos son tan poco frecuentes que no hay suficientes datos sobre ellos para usar modelos predictivos y pronosticar con precisión cuándo volverán a ocurrir.
Pero la nueva investigación indica que no tiene por qué ser así.
En el estudio publicado en Nature Computational Science, los investigadores describen cómo combinaron algoritmos estadísticos —que requieren menos datos para hacer predicciones precisas y eficientes— con una potente técnica de aprendizaje automático, y cómo la entrenaron para predecir escenarios, probabilidades y, a veces, incluso el momento en que ocurrirán sucesos poco frecuentes, pese a la falta de registros históricos sobre ellos.
Los investigadores descubrieron que este nuevo marco puede ofrecer una forma de prescindir de las enormes cantidades de datos que tradicionalmente se necesitan para este tipo de cálculos y, en esencia, reducir el gran desafío de predecir sucesos poco frecuentes a una cuestión de calidad frente a cantidad.
«Hay que tener en cuenta que estos son sucesos estocásticos», afirma George Karniadakis, autor del estudio y profesor de matemáticas aplicadas e ingeniería en la Universidad de Brown. «Un brote de una pandemia como la COVID-19, un desastre medioambiental en el golfo de México, un terremoto, enormes incendios forestales en California, una ola de 30 metros que vuelca un barco: son sucesos poco frecuentes y, precisamente por eso, no contamos con muchos datos históricos.
«No tenemos suficientes muestras del pasado para predecirlos con mayor antelación. La pregunta que abordamos en el artículo es: ¿Cuáles son los mejores datos que podemos utilizar para reducir al mínimo la cantidad de puntos de datos que necesitamos?»
Los investigadores hallaron la respuesta en una técnica de muestreo secuencial llamada aprendizaje activo. Este tipo de algoritmos estadísticos no solo puede analizar los datos que se introducen en ellos, sino que, aún más importante, puede aprender de esa información para identificar nuevos puntos de datos pertinentes, igual o incluso más importantes para el resultado que se calcula. En lo más básico, permiten hacer más con menos.
Esto es fundamental para el modelo de aprendizaje automático que utilizaron los investigadores en el estudio. El modelo, llamado DeepOnet, es un tipo de red neuronal artificial que utiliza nodos interconectados en capas sucesivas y que imitan, a grandes rasgos, las conexiones entre las neuronas del cerebro humano.
DeepOnet se conoce como operador neuronal profundo. Es más avanzado y potente que las redes neuronales artificiales habituales porque, en realidad, combina dos redes neuronales que procesan datos en paralelo. Esto le permite analizar enormes conjuntos de datos y escenarios a gran velocidad y generar conjuntos igualmente masivos de probabilidades una vez que aprende qué está buscando.
El principal obstáculo de esta potente herramienta, sobre todo en lo que respecta a sucesos poco frecuentes, es que los operadores neuronales profundos necesitan cantidades ingentes de datos para entrenarse y realizar cálculos eficaces y precisos.
En el artículo, el equipo de investigación demuestra que, al combinarse con técnicas de aprendizaje activo, el modelo DeepOnet puede entrenarse para identificar los parámetros o precursores que anuncian el suceso desastroso que se analiza, incluso cuando hay pocos puntos de datos.
«La idea principal no es introducir en el sistema todos los datos posibles, sino buscar de forma proactiva sucesos que indiquen que se producirán sucesos poco frecuentes», afirma Karniadakis. «Quizá no tengamos muchos ejemplos del suceso en sí, pero sí de sus precursores. Los identificamos mediante las matemáticas y, junto con los sucesos reales, nos ayudan a entrenar este operador que necesita tantos datos».
En el artículo, los investigadores aplican este enfoque para determinar parámetros y distintos rangos de probabilidades de picos peligrosos durante una pandemia, detectar y predecir olas gigantes, y estimar cuándo un barco se partirá en dos debido a la tensión. Por ejemplo, en el caso de las olas gigantes —aquellas que superan el doble del tamaño de las olas circundantes—, los investigadores descubrieron que podían detectar y cuantificar cuándo se formarán al observar condiciones probables de las olas que interactúan de manera no lineal con el paso del tiempo, lo que a veces da lugar a olas tres veces más grandes que las originales.
Los investigadores descubrieron que su nuevo método superaba los métodos de modelización más tradicionales y creen que ofrece un marco capaz de detectar y predecir eficazmente todo tipo de sucesos poco frecuentes.
En el artículo, el equipo de investigación explica cómo deberían diseñar los científicos futuros experimentos para reducir los costes y aumentar la precisión de los pronósticos. Karniadakis, por ejemplo, ya colabora con científicos medioambientales para utilizar este novedoso método en el pronóstico de fenómenos climáticos, como los huracanes.
Ethan Pickering y Themistoklis Sapsis, del Instituto de Tecnología de Massachusetts, dirigieron el estudio. Karniadakis y otros investigadores de Brown presentaron DeepOnet en 2019. Actualmente están solicitando una patente para esta tecnología.
El estudio contó con el apoyo de la Agencia de Proyectos de Investigación Avanzados de Defensa, el Laboratorio de Investigación de la Fuerza Aérea y la Oficina de Investigación Naval.
