मौसम जैसी जटिल प्रणालियों की भविष्यवाणी करना काफी कठिन है। लेकिन कम से कम मौसम के शासी समीकरण एक दिन से अगले दिन नहीं बदलते हैं। इसके विपरीत, कुछ जटिल प्रणालियाँ "टिपिंग पॉइंट" संक्रमणों से गुज़र सकती हैं, अचानक उनके व्यवहार को नाटकीय रूप से बदल सकती हैं और शायद अपरिवर्तनीय रूप से, थोड़ी चेतावनी और संभावित विनाशकारी परिणामों के साथ।
लंबे समय के पैमाने पर, अधिकांश वास्तविक-विश्व प्रणालियां इस तरह हैं। उत्तरी अटलांटिक में गल्फ स्ट्रीम पर विचार करें, जो एक महासागरीय कन्वेयर बेल्ट के हिस्से के रूप में गर्म भूमध्यरेखीय जल को उत्तर की ओर ले जाती है जो पृथ्वी की जलवायु को नियंत्रित करने में मदद करती है। बर्फ की चादरों के पिघलने से ताजे पानी के प्रवाह के कारण इन परिसंचारी धाराओं का वर्णन करने वाले समीकरण धीरे-धीरे बदल रहे हैं। अब तक परिसंचरण धीरे-धीरे धीमा हो गया है, लेकिन अब से दशकों बाद यह अचानक रुक सकता है।
"मान लीजिए अब सब कुछ ठीक है," कहा यिंग-चेंग लाइएरिज़ोना स्टेट यूनिवर्सिटी के भौतिक विज्ञानी। "आप कैसे बताते हैं कि यह भविष्य में ठीक नहीं होगा?"
हाल के पत्रों की एक श्रृंखला में, शोधकर्ताओं ने दिखाया है कि मशीन लर्निंग एल्गोरिदम इस तरह के "नॉनस्टेशनरी" सिस्टम के कट्टरपंथी उदाहरणों में टिपिंग-पॉइंट ट्रांज़िशन की भविष्यवाणी कर सकते हैं, साथ ही उनके व्यवहार की विशेषताओं के बाद वे इत्तला दे सकते हैं। आश्चर्यजनक रूप से शक्तिशाली नई तकनीकें एक दिन जलवायु विज्ञान में अनुप्रयोगों को खोज सकती हैं, पारिस्थितिकी, महामारी विज्ञान और कई अन्य क्षेत्रों।
समस्या में दिलचस्पी का उछाल चार साल पहले शुरू हुआ था अभूतपूर्व परिणाम के समूह से एडवर्ड ओटो, मैरीलैंड विश्वविद्यालय में एक प्रमुख अराजकता शोधकर्ता। ओट की टीम ने पाया कि एक प्रकार का मशीन लर्निंग एल्गोरिथम जिसे आवर्तक तंत्रिका नेटवर्क कहा जाता है, भविष्य में आश्चर्यजनक रूप से स्थिर अराजक प्रणालियों (जिसमें टिपिंग पॉइंट नहीं हैं) के विकास की भविष्यवाणी कर सकता है। नेटवर्क केवल अराजक प्रणाली के पिछले व्यवहार के रिकॉर्ड पर निर्भर था - इसमें अंतर्निहित समीकरणों के बारे में कोई जानकारी नहीं थी।
नेटवर्क का सीखने का दृष्टिकोण गहरे तंत्रिका नेटवर्क से भिन्न होता है, जो भाषण मान्यता और प्राकृतिक भाषा प्रसंस्करण जैसे कार्यों के लिए कृत्रिम न्यूरॉन्स की परतों के एक लंबे ढेर के माध्यम से डेटा खिलाता है। सभी तंत्रिका नेटवर्क प्रशिक्षण डेटा के जवाब में अपने न्यूरॉन्स के बीच कनेक्शन की ताकत को समायोजित करके सीखते हैं। ओट और उनके सहयोगियों ने जलाशय कंप्यूटिंग नामक एक कम कम्प्यूटेशनल रूप से महंगी प्रशिक्षण पद्धति का उपयोग किया, जो कृत्रिम न्यूरॉन्स की एक परत में केवल कुछ कनेक्शनों को समायोजित करता है। इसकी सादगी के बावजूद, जलाशय कंप्यूटिंग अराजक विकास की भविष्यवाणी करने के कार्य के अनुकूल लगता है।
2018 के परिणाम प्रभावशाली थे, शोधकर्ताओं को संदेह था कि मशीन लर्निंग का डेटा-संचालित दृष्टिकोण नॉनस्टेशनरी सिस्टम में टिपिंग-पॉइंट ट्रांज़िशन की भविष्यवाणी करने में सक्षम नहीं होगा या यह अनुमान नहीं लगा पाएगा कि ये सिस्टम बाद में कैसे व्यवहार करेंगे। एक तंत्रिका नेटवर्क एक विकसित प्रणाली के बारे में पिछले डेटा पर प्रशिक्षित करता है, लेकिन "भविष्य में जो हो रहा है वह विभिन्न नियमों द्वारा विकसित हो रहा है," ओट ने कहा। यह एक बेसबॉल खेल के परिणाम की भविष्यवाणी करने की कोशिश करने जैसा है, केवल यह पता लगाने के लिए कि इसे क्रिकेट मैच में बदल दिया गया है।
और फिर भी, पिछले दो वर्षों में, ओट के समूह और कई अन्य लोगों ने दिखाया है कि जलाशय कंप्यूटिंग इन प्रणालियों के लिए भी अप्रत्याशित रूप से अच्छी तरह से काम करती है।
In एक 2021 पेपर, लाइ और सहयोगियों ने अपने जलाशय कंप्यूटिंग एल्गोरिदम को एक पैरामीटर के धीरे-धीरे बहने वाले मूल्य तक पहुंच प्रदान की जो अंततः एक टिपिंग बिंदु पर एक मॉडल सिस्टम भेज देगा - लेकिन उन्होंने सिस्टम के शासी समीकरणों के बारे में कोई अन्य जानकारी प्रदान नहीं की। यह स्थिति कई वास्तविक दुनिया के परिदृश्यों से संबंधित है: उदाहरण के लिए, हम जानते हैं कि वातावरण में कार्बन डाइऑक्साइड की सांद्रता कैसे बढ़ रही है, लेकिन हम उन सभी तरीकों को नहीं जानते हैं जिनसे यह चर जलवायु को प्रभावित करेगा। टीम ने पाया कि पिछले डेटा पर प्रशिक्षित एक तंत्रिका नेटवर्क उस मूल्य की भविष्यवाणी कर सकता है जिस पर सिस्टम अंततः अस्थिर हो जाएगा। ओट्स ग्रुप प्रकाशित संबंधित परिणाम पिछले साल।
में नया कागज, जुलाई में ऑनलाइन पोस्ट किया गया और अब सहकर्मी समीक्षा के दौर से गुजर रहा है, ओट और उनके स्नातक छात्र ध्रुवित पटेल तंत्रिका नेटवर्क की भविष्य कहनेवाला शक्ति का पता लगाया जो केवल एक सिस्टम के व्यवहार को देखता है और एक टिपिंग-पॉइंट संक्रमण को चलाने के लिए जिम्मेदार अंतर्निहित पैरामीटर के बारे में कुछ भी नहीं जानता है। उन्होंने अपने तंत्रिका नेटवर्क डेटा को एक सिम्युलेटेड सिस्टम में दर्ज किया, जबकि छिपे हुए पैरामीटर को नेटवर्क से अनजान था। उल्लेखनीय रूप से, कई मामलों में एल्गोरिथ्म दोनों टिपिंग की शुरुआत की भविष्यवाणी कर सकता है और संभावित पोस्ट-टिपिंग-पॉइंट व्यवहारों की संभाव्यता वितरण प्रदान कर सकता है।
आश्चर्यजनक रूप से, शोर डेटा पर प्रशिक्षित होने पर नेटवर्क ने सबसे अच्छा प्रदर्शन किया। वास्तविक दुनिया की प्रणालियों में शोर सर्वव्यापी है, लेकिन यह आमतौर पर भविष्यवाणी में बाधा डालता है। यहाँ यह मदद करता है, जाहिरा तौर पर सिस्टम के संभावित व्यवहार की एक विस्तृत श्रृंखला के लिए एल्गोरिथ्म को उजागर करके। इस प्रतिकूल परिणाम का लाभ उठाने के लिए, पटेल और ओट ने अपने जलाशय कंप्यूटिंग प्रक्रिया को बदल दिया ताकि तंत्रिका नेटवर्क को शोर और साथ ही सिस्टम के औसत व्यवहार को पहचानने में सक्षम बनाया जा सके। "यह किसी भी दृष्टिकोण के लिए महत्वपूर्ण होने जा रहा है जो गैर-स्थिर प्रणालियों के व्यवहार को एक्सट्रपलेशन करने की कोशिश कर रहा है", ने कहा माइकल ग्राहम, विस्कॉन्सिन विश्वविद्यालय, मैडिसन में एक द्रव गतिकीविद्।
पटेल और ओट ने भी टिपिंग पॉइंट्स का एक वर्ग माना जो व्यवहार में विशेष रूप से महत्वपूर्ण बदलाव को चिह्नित करता है।
मान लीजिए कि एक प्रणाली की स्थिति को उसके सभी संभावित राज्यों के एक अमूर्त स्थान में घूमते हुए एक बिंदु के रूप में प्लॉट किया गया है। नियमित चक्र से गुजरने वाले सिस्टम अंतरिक्ष में एक दोहराई जाने वाली कक्षा का पता लगाएंगे, जबकि अराजक विकास एक उलझी हुई गड़बड़ी की तरह दिखेगा। एक टिपिंग बिंदु एक कक्षा को नियंत्रण से बाहर सर्पिल करने का कारण बन सकता है लेकिन साजिश के एक ही हिस्से में रहता है, या यह शुरू में अराजक गति को एक बड़े क्षेत्र में फैलाने का कारण बन सकता है। इन मामलों में एक तंत्रिका नेटवर्क राज्य अंतरिक्ष के प्रासंगिक क्षेत्रों के अपने पिछले अन्वेषण में एन्कोडेड सिस्टम के भाग्य के संकेत पा सकता है।
अधिक चुनौतीपूर्ण संक्रमण हैं जिसमें एक प्रणाली को एक क्षेत्र से अचानक निष्कासित कर दिया जाता है और इसका बाद में विकास दूर के क्षेत्र में प्रकट होता है। पटेल ने समझाया, "न केवल गतिशीलता बदल रही है, बल्कि अब आप उस क्षेत्र में घूम रहे हैं जिसे आपने कभी नहीं देखा है।" इस तरह के संक्रमण आम तौर पर "हिस्टेरेटिक" होते हैं, जिसका अर्थ है कि वे आसानी से उलट नहीं होते हैं - भले ही, कहें, धीरे-धीरे बढ़ने वाला पैरामीटर जो संक्रमण का कारण बनता है उसे फिर से नीचे दबा दिया जाता है। इस तरह का हिस्टैरिसीस आम है: उदाहरण के लिए, एक पारिस्थितिकी तंत्र में एक से अधिक शीर्ष शिकारियों को मार डालो, और परिवर्तित गतिशीलता शिकार की आबादी को अचानक विस्फोट कर सकती है; एक शिकारी को फिर से जोड़ें और शिकार की आबादी ऊंची बनी रहे।
जब एक हिस्टेरेटिक संक्रमण को प्रदर्शित करने वाले सिस्टम से डेटा पर प्रशिक्षित किया गया, तो पटेल और ओट के जलाशय कंप्यूटिंग एल्गोरिदम एक आसन्न टिपिंग बिंदु की भविष्यवाणी करने में सक्षम थे, लेकिन यह समय गलत हो गया और सिस्टम के बाद के व्यवहार की भविष्यवाणी करने में विफल रहा। शोधकर्ताओं ने तब मशीन लर्निंग और सिस्टम के पारंपरिक ज्ञान-आधारित मॉडलिंग के संयोजन के लिए एक हाइब्रिड दृष्टिकोण की कोशिश की। उन्होंने पाया कि हाइब्रिड एल्गोरिथम अपने भागों के योग से अधिक है: यह भविष्य के व्यवहार के सांख्यिकीय गुणों की भविष्यवाणी कर सकता है, भले ही ज्ञान-आधारित मॉडल में गलत पैरामीटर मान हों और इसलिए यह अपने आप विफल हो गया।
जल्द ही हो लिमो, स्टॉकहोम में सैद्धांतिक भौतिकी के नॉर्डिक संस्थान में एक मशीन सीखने के शोधकर्ता, जिन्होंने गैर-स्थिर प्रणालियों के अल्पकालिक व्यवहार का अध्ययन किया है, उम्मीद करते हैं कि हालिया काम "आगे के अध्ययन के लिए उत्प्रेरक के रूप में काम करेगा", जिसमें जलाशय कंप्यूटिंग के प्रदर्शन के बीच तुलना शामिल है और की है कि ध्यान लगा के पढ़ना या सीखना एल्गोरिदम यदि जलाशय कंप्यूटिंग अधिक संसाधन-गहन तरीकों के खिलाफ अपनी पकड़ बना सकता है, तो यह पारिस्थितिकी तंत्र और पृथ्वी की जलवायु जैसी बड़ी, जटिल प्रणालियों में टिपिंग बिंदुओं के अध्ययन की संभावना के लिए अच्छा होगा।
"वहाँ इस क्षेत्र में करने के लिए बहुत कुछ है," ओट ने कहा। "यह वास्तव में खुला है।"
