Prever quando um sistema complexo, como a rede climática, a economia ou o coração humano, está à beira do colapso tem sido há muito tempo um dos desafios mais difíceis da ciência. Estas chamadas transições críticas – transições abruptas entre o estado estacionário de um sistema, de um ecossistema saudável para um ecossistema em colapso – podem desencadear transições rápidas e irreversíveis de colapsos ecológicos para convulsões sem aviso claro. O novo estudo, liderado por Jiqin Ma e pelo Prof. Sunhua Zheng da Universidade de Ciência e Tecnologia de Kunming, juntamente com o Prof. Yi-Cheng Zhang da Universidade do Norte da China e o Dr. O seu trabalho, publicado na Communications Physics, descreve um método específico do sistema que aprende a partir de dados históricos para prever pontos de inflexão com mais precisão do que os modelos globais anteriores.
Mudanças críticas são onipresentes, como o branqueamento repentino dos recifes de coral, quebras dos mercados financeiros ou o aparecimento de arritmias cardíacas. Os métodos de previsão anteriores dependiam de sinais comuns, como a variância incremental, que é a quantidade de dados que flutua ao longo do tempo, ou a autocorrelação de atraso um, que mede o quão semelhante um sistema é ao seu próprio passado. Ambos vêm da teoria dos sistemas dinâmicos, o estudo de como os sistemas evoluem ao longo do tempo. No entanto, estes indicadores muitas vezes falham quando aplicados a conjuntos de dados ruidosos do mundo real. Como Ma explicou: “Se a série temporal for muito curta, muito barulhenta ou não muito estável, ou se a transição não for uma divisão local, mas uma divisão global ou nenhuma divisão, os sinais de alerta precoce comuns não conseguirão indicar uma mudança.” Uma bifurcação refere-se a uma mudança repentina no comportamento de um sistema, como um rio que se divide repentinamente em dois braços quando as condições mudam. Para superar essas limitações, a equipe treinou modelos de aprendizado de máquina em dados substitutos – conjuntos de dados gerados artificialmente que se assemelham estatisticamente aos reais – permitindo que os modelos aprendam comportamentos únicos e específicos do computador sem depender de suposições teóricas restritivas.
Ma e seus colegas desenvolveram uma nova estrutura chamada aprendizado de máquina baseado em dados de transformação, que gera grandes quantidades de dados de treinamento ao replicar padrões estatísticos encontrados em eventos históricos. A sua abordagem foi testada numa variedade de exemplos do mundo real, incluindo sedimentos oceânicos pobres em oxigénio, sociedades humanas antigas e ritmos cardíacos biológicos. Em comparação com indicadores tradicionais, como variância e autocorrelação, o aprendizado de máquina substituto baseado em dados demonstrou consistentemente maior sensibilidade, o que significa que alarmes verdadeiros podem ser detectados com precisão e maior especificidade, permitindo evitar alarmes falsos. Em termos simples, ele detecta sinais verdadeiros enquanto minimiza erros.
Os modelos foram testados usando uma variedade de sistemas de aprendizado de máquina, incluindo redes neurais convolucionais que reconhecem padrões espaciais e baseados no tempo; redes de memória de longo e curto prazo, que reconhecem conexões de dados de longo alcance; e suportam máquinas de vetores, que dividem as informações em categorias discretas, encontrando os melhores limites de divisão. Esses algoritmos alcançaram pontuações de desempenho significativas – uma medida estatística combinada de exatidão e precisão – que foram próximas da perfeição em muitos casos.
A equipe analisou exemplos reais de mudanças rápidas. Em núcleos de sedimentos do Mar Mediterrâneo, encontraram uma série de episódios em que os níveis de oxigénio caíram – eventos historicamente associados à anóxia marinha, onde a perda total de oxigénio na água do mar pode levar a extinções em massa. Um modelo de aprendizado de máquina baseado em dados substitutos, treinados em alterações anteriores, previu com sucesso as alterações posteriores. Da mesma forma, quando aplicada aos registos de gelo da Antárctida, a abordagem previu mudanças abruptas de temperatura que encerraram as eras glaciais. Encontrou pontos de viragem culturais nas sociedades Pueblo pré-hispânicas, onde os dados da actividade de construção revelaram que os colapsos sociais foram precedidos por recessões críticas, o que significa perda gradual de resiliência e longos tempos de recuperação de perturbações menores antes do colapso total.
A avaliação de desempenho revelou que o aprendizado de máquina baseado em dados substitutos superou as técnicas padrão na maioria dos casos, especialmente em situações em que as transições não seguem os modelos de divisão clássicos. Como observou Ma, “Nosso método não está limitado pela suposição limitante de bifurcação local como os métodos anteriores. Ao aprender diretamente com os dados sobre mudanças passadas, ele se adapta ao sistema do mundo real que prevê.” O estudo demonstrou ainda que os classificadores de aprendizado de máquina baseados em dados substitutos mantêm a robustez em várias técnicas de geração substituta, incluindo transformadas de Fourier com correção de amplitude, métodos matemáticos que geram novos dados enquanto mantêm a variância geral e a estrutura da série temporal original. A equipe também usou algoritmos iterativos que preservam propriedades complexas em dados baseados no tempo para melhorar a precisão.
Para além dos ecossistemas e dos sistemas biológicos, este método transformará a previsão de riscos na economia, nas redes energéticas e na saúde pública. Muitos acontecimentos catastróficos, como crises financeiras ou apagões de rede, emergem de dinâmicas entrelaçadas que desafiam modelos matemáticos simples. Ao detectar sinais de alerta em dados específicos do sistema, o aprendizado de máquina alternativo baseado em dados pode fornecer um tempo crítico para mitigar ou prevenir um declínio. “Classificadores de aprendizado de máquina treinados em dados proxy ricos de mudanças passadas podem ser essenciais para melhorar nossa capacidade de nos preparar ou evitar mudanças críticas”, disse o Dr.
Os desenvolvimentos futuros de Ma e sua equipe se concentrarão em refinar como os modelos interpretam as diferentes distâncias de uma transição, tornando a classificação de risco mais contínua e dinâmica. Eles acreditam que as estruturas de aprendizado de máquina baseadas em dados substitutos continuarão a evoluir à medida que mais dados de séries temporais de alta qualidade – medições de longo prazo coletadas em intervalos regulares – se tornarem disponíveis.
Esta integração inovadora de modelagem de dados históricos e inteligência artificial representa um passo importante na antecipação do imprevisível. Ao treinar sobre os ecos de crises passadas, a aprendizagem automática alternativa baseada em dados abre o caminho para prever o próximo grande ponto de viragem na natureza ou na sociedade.
Nota de diário
Ma Zhiqin, Zeng Chunhua, Zhang Yi-Cheng e Bury Thomas M. “Predição de mudanças críticas por aprendizado de máquina treinado em proxies de dados históricos.” Contato Física (2025) DOI: https://doi.org/10.1038/s42005-025-02172-4
Sobre os professores
Dr. Ele é bacharel em física e doutor em ciência da computação pela Universidade de Ciência e Tecnologia de Kunming, Kunming, China. Sua pesquisa se concentra em física estatística e sistemas complexos, detecção e análise de sinais de alerta precoce e aplicação de aprendizado de máquina a sistemas complexos. Dr. Ma adota uma abordagem interdisciplinar, combinando física, matemática e ciência da computação para revelar leis universais subjacentes à evolução dinâmica de sistemas próximos aos pontos finais. Os resultados de sua pesquisa foram publicados em diversas revistas, incluindo Communications Physics, Physics Survey Research e Europhysics Letters.
Prof. Sunhua Zeng Envolvido principalmente em física estatística e pesquisa em sistemas complexos. Publicou mais de 120 artigos SCI em periódicos nacionais. Sci Rev., Comun. Física, física. Rev. B, Física. Rev. Pesquisa e Física. Rev..
Dr. Ele é professor sênior de Física na Universidade de Friburgo, Suíça e membro da Academia Europaea. Cissa recebeu seu doutorado pela Universidade de Trieste e La Sapienza. Sua pesquisa abrange big data, inteligência artificial, redes complexas, economia da informação, sistemas ciberfísicos, física estatística, ciência da complexidade e finanças. Ele é amplamente reconhecido por contribuições importantes, incluindo o co-desenvolvimento da equação Kardar – Parisi – Zhang (KPZ) – pela qual seu supervisor Giorgio Parisi recebeu o Prêmio Nobel de Física de 2021 – e a introdução do modelo de jogo minoritário na física econométrica. Seu trabalho recente concentra-se nos fundamentos teóricos dos assistentes de IA da próxima geração. Publicou mais de 250 artigos acadêmicos em periódicos internacionais, incluindo Proceedings of the National Academy of Sciences (PNAS), Physical Reports e Physical Review Letters, com um total de 31.000 citações.
Dr. Realiza pesquisas na interseção de aprendizado de máquina e dinâmica não linear. Ele está interessado em desenvolver sinais de alerta precoce para pontos de inflexão para uma ampla gama de sistemas complexos. Ele possui doutorado pela Universidade de Waterloo em matemática aplicada e publicou seu trabalho em revistas como PNAS e Nature Communications.
