Ny algoritme skærer gennem støjende data for bedre at forudsige vippepunkter

Uanset om du forsøger at forudsige en klimakatastrofe eller mental sundhedskrise, fortæller matematikken os, at vi skal kigge efter udsving.

Ændringer i data, fra dyrelivspopulationer til angstniveauer, kan være et tidligt advarselssignal om, at et system er ved at nå en kritisk tærskel, kendt som et tippepunkt, hvor disse ændringer kan accelerere eller endda blive irreversible.

Men hvilke datapunkter betyder mest? Og hvilke er simpelthen bare støj?

En ny algoritme udviklet af forskere fra University at Buffalo kan identificere de mest forudsigelige datapunkter, som et vendepunkt er i nærheden af. Detaljeret i Nature Communications , bruger denne teoretiske ramme styrken af ​​stokastiske differentialligninger til at observere fluktuationen af ​​datapunkter eller noder og derefter bestemme, hvilke der skal bruges til at beregne et tidligt advarselssignal.

Simuleringer bekræftede, at denne metode var mere nøjagtig til at forudsige teoretiske vendepunkter end tilfældigt udvalgte noder.

"Hver knude er noget støjende - med andre ord ændrer den sig over tid - men nogle kan ændre sig tidligere og mere drastisk end andre, når et vendepunkt er tæt på. Valg af det rigtige sæt knudepunkter kan forbedre kvaliteten af ​​det tidlige advarselssignal, som samt hjælpe os med at undgå at spilde ressourcer ved at observere uinformative noder," siger studiets hovedforfatter, Naoki Masuda, Ph.D., professor og leder af kandidatstudier i UB Department of Mathematics, inden for College of Arts and Sciences.

Undersøgelsen var medforfatter af Neil Maclaren, en postdoktoral forskningsmedarbejder ved Institut for Matematik, og Kazuyuki Aihara, administrerende direktør for International Research Center for Neurointelligence ved University of Tokyo.

Advarselssignaler forbundet via netværk

Algoritmen er unik ved, at den fuldt ud inkorporerer netværksvidenskab i processen. Mens tidlige advarselssignaler er blevet anvendt til økologi og psykologi i de sidste to årtier, har lidt forskning fokuseret på, hvordan disse signaler er forbundet i et netværk, siger Masuda.

Overvej depression. Nyere forskning har betragtet det og andre psykiske lidelser som et netværk af symptomer, der påvirker hinanden ved at skabe feedback-loops. Et tab af appetit kan betyde starten på fem andre symptomer i den nærmeste fremtid, afhængigt af hvor tæt disse symptomer er på netværket.

"Som netværksforsker følte jeg, at netværksvidenskab kunne tilbyde en unik eller måske endda forbedret tilgang til tidlige advarselssignaler," siger Masuda.

Ved grundigt at overveje systemer som netværk fandt forskerne ud af, at blot at vælge de knudepunkter med de største udsving ikke var den bedste strategi. Det er fordi nogle valgte noder kan være for tæt beslægtede med andre valgte noder.

"Selv hvis vi kombinerer to noder med gode tidlige advarselssignaler, får vi ikke nødvendigvis et mere præcist signal. Nogle gange giver det os et bedre signal at kombinere en node med et godt signal og en anden node med et signal i mellemkvalitet," siger Masuda. siger.

Mens holdet validerede algoritmen med numeriske simuleringer, siger de, at den let kan anvendes på faktiske data, fordi den ikke kræver information om selve netværksstrukturen; det kræver kun to forskellige tilstande af netværkssystemet for at bestemme et optimalt sæt af noder.

"De næste skridt vil være at samarbejde med domæneeksperter såsom økologer, klimaforskere og læger for at videreudvikle og teste algoritmen med deres empiriske data og få indsigt i deres problemer," siger Masuda.

Flere oplysninger: Naoki Masuda et al., Foregribe regimeskift ved at blande tidlige advarselssignaler fra forskellige noder, Nature Communications (2024). DOI:10.1038/s41467-024-45476-9

Journaloplysninger: Nature Communications

Leveret af University at Buffalo