Prever quando um sistema complexo – como a rede climática, a economia ou mesmo o coração humano – está à beira de um colapso repentino tem sido há muito tempo um dos desafios mais difíceis da ciência. Estas chamadas transições críticas – transições repentinas entre estados estáveis de um sistema, como de um ecossistema saudável para um ecossistema em colapso – podem desencadear mudanças rápidas e irreversíveis sem aviso claro, desde o colapso ecológico até ataques epilépticos. Ma Zhiqin e o professor Zeng Chunhua da Universidade de Ciência e Tecnologia de Kunming, em colaboração com o professor Zhang Yicheng da Universidade do Norte da China e o Dr. Thomas Burry da Universidade McGill, introduz um método inovador que utiliza a aprendizagem automática para detectar os primeiros sinais desta mudança. Seu trabalho, publicado na Communications Physics, descreve uma abordagem específica do sistema que aprende com dados históricos para prever pontos de inflexão com mais precisão do que os modelos de uso geral anteriores.
Transições críticas estão por toda parte – seja o súbito branqueamento dos recifes de coral, o colapso dos mercados financeiros ou o aparecimento de uma arritmia cardíaca. Os métodos de previsão anteriores dependiam de sinais comuns, como o aumento da variância (uma medida de quanto os dados flutuam ao longo do tempo) ou a autocorrelação defasada (uma medida de quão semelhante um sistema é à sua história recente). Ambos vêm da teoria dos sistemas dinâmicos, o estudo de como os sistemas evoluem ao longo do tempo. No entanto, essas métricas geralmente falham quando aplicadas a conjuntos de dados ruidosos do mundo real. Como explica o Dr. Ma, “se a série temporal for demasiado curta, ruidosa ou instável, ou se a transição corresponder não a uma bifurcação local, mas a uma bifurcação global, ou se não houver qualquer bifurcação, um sinal de alerta precoce universal pode não conseguir sinalizar uma transição”. 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 proxy (conjuntos de dados gerados artificialmente que são estatisticamente semelhantes aos dados reais), permitindo que os modelos aprendessem comportamentos únicos e específicos do sistema sem depender de suposições teóricas restritivas.
Ma e seus colegas desenvolveram uma nova estrutura chamada “aprendizado de máquina baseado em dados substitutos”, que gera grandes quantidades de dados de treinamento replicando padrões estatísticos encontrados em eventos históricos. Seu método foi testado em diferentes exemplos do mundo real, incluindo sedimentos oceânicos anóxicos, sociedades humanas antigas e ritmos cardíacos biológicos. Em comparação com métricas tradicionais, como variância e autocorrelação, o aprendizado de máquina baseado em dados substitutos exibe consistentemente maior sensibilidade, o que significa que pode detectar avisos verdadeiros com precisão e maior especificidade, evitando assim falsos positivos. Resumindo, ele detecta sinais reais enquanto minimiza erros.
Os modelos foram testados utilizando diferentes tipos de sistemas de aprendizado de máquina, incluindo redes neurais convolucionais, que identificam padrões baseados no espaço e no tempo; redes de memória longa e de curto prazo, que identificam conexões de dados de longo alcance; e suportam máquinas de vetores, que classificam as informações em diferentes categorias, encontrando os melhores limites de divisão. Esses algoritmos alcançaram pontuações de desempenho significativas (uma medida estatística combinada de precisão e exatidão), em alguns casos aproximando-se da perfeição.
A equipe analisou exemplos reais de transformação rápida. Em amostras de sedimentos do Mar Mediterrâneo, detectaram eventos recorrentes de quedas bruscas nos níveis de oxigénio, eventos historicamente associados à anóxia oceânica, a perda completa de oxigénio na água do mar que poderia levar a extinções em massa. Um modelo de aprendizado de máquina baseado em dados substitutos treinados em transições iniciais previu com sucesso as transições posteriores. Da mesma forma, quando aplicado aos registros de gelo da Antártica, o método previu as mudanças repentinas de temperatura que encerraram os períodos glaciais. Também revelou pontos de viragem culturais nas sociedades Pueblo pré-hispânicas, onde os dados sobre a actividade de construção mostraram que as sociedades foram precedidas por graves abrandamentos, implicando uma perda gradual de resiliência e tempos de recuperação mais longos de pequenas perturbações antes do colapso total.
A avaliação de desempenho mostra que o aprendizado de máquina baseado em dados substitutos supera as técnicas padrão na maioria dos casos, especialmente nos casos em que a transformação não segue o modelo clássico de bifurcação. Como aponta o Dr. Ma, “Nosso método não é limitado pela suposição de bifurcação local como os métodos anteriores. Ao aprender diretamente com os dados de transição anteriores, ele pode ser adaptado ao sistema do mundo real que prevê.” O estudo demonstra ainda que os classificadores de aprendizado de máquina baseados em dados substitutos permanecem robustos em uma variedade de técnicas de geração substitutas, incluindo transformadas de Fourier ajustadas em amplitude, métodos matemáticos que criam novos dados enquanto mantêm a variabilidade geral e a estrutura da série temporal original. A equipe também usa algoritmos iterativos para preservar propriedades complexas em dados baseados em tempo para melhorar a precisão.
Além dos sistemas ambientais e biológicos, esta abordagem poderá transformar os perfis de risco na economia, nas redes energéticas e na saúde pública. Muitos acontecimentos catastróficos, como o colapso financeiro ou os apagões da rede, são gerados por dinâmicas interligadas que desafiam modelos matemáticos simples. Ao identificar sinais de alerta em dados específicos do sistema, o aprendizado de máquina baseado em dados alternativos pode fornecer prazos críticos para mitigar ou prevenir falhas. “Classificadores de aprendizado de máquina treinados em dados proxy ricos de transições passadas serão essenciais para melhorar nossa capacidade de nos prepararmos ou evitarmos transições críticas”, disse o Dr. Ma, enfatizando que a abordagem complementa, em vez de substituir, as ferramentas de alerta precoce existentes.
A Dra. Ma e sua equipe enfatizaram que o desenvolvimento futuro se concentrará em refinar a forma como o modelo leva em conta diferentes distâncias de transição, movendo a classificação para uma medida de risco mais contínua e dinâmica. Eles acreditam que à medida que mais dados de séries temporais de alta qualidade (medições de longo prazo recolhidas em intervalos regulares) se tornarem disponíveis, os quadros de aprendizagem automática baseados em dados alternativos continuarão a evoluir, proporcionando uma forma poderosa e unificada de compreender a estabilidade e a resiliência de sistemas que vão desde os ecossistemas naturais até à economia global.
Esta combinação inovadora de modelagem de dados históricos e inteligência artificial marca um passo importante na antecipação da imprevisibilidade. Ao treinar sobre os ecos de crises passadas, a aprendizagem automática baseada em dados alternativos abre uma forma de antecipar (e talvez até prevenir) o próximo grande ponto de viragem na natureza ou na sociedade.
Referência do diário
Mazhiqin, Zeng Chunhua, Zhang Yi-Cheng e Bury Thomas M. “Previsão de transições críticas usando aprendizado de máquina treinado em substitutos de dados históricos.” Física da Comunicação (2025). Número digital: https://doi.org/10.1038/s42005-025-02172-4
Sobre o autor
Dr. Ele é bacharel em física e doutor em ciência de sistemas pela Universidade de Ciência e Tecnologia de Kunming, em 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 em sistemas complexos. Dr. Ma utiliza uma abordagem interdisciplinar, combinando física, matemática e ciência da computação, para revelar as leis universais da evolução dinâmica de sistemas próximos a pontos críticos. Os resultados de sua pesquisa foram publicados em revistas como Communications Physics, Physical Review Research e European Physics Letters.
Professor Chunhua Zeng Envolvido principalmente em física estatística e pesquisa de sistemas complexos. Publicou mais de 120 artigos SCI na Natil e em outras revistas. ciência. Pastor, correspondente. Física, física. Reverendo B, Física. Revisão de Pesquisa e Física. Revisão E.
Dr. Yi-Cheng Zhang Ele é professor sênior de física na Universidade de Friburgo, na Suíça, e acadêmico da Academia Europeia de Ciências. Possui doutorado pelas Universidades de Sissa 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 suas contribuições seminais, incluindo o co-desenvolvimento da equação Kadar-Parisi-Zhang (KPZ) (pela qual seu mentor Giorgio Parisi recebeu o Prêmio Nobel de Física de 2021) e a introdução de modelos de jogos minoritários na física econômica. Seu trabalho recente concentrou-se nos fundamentos teóricos dos assistentes de inteligência artificial 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 mais de 31.000 citações.
Dr. Thomas Bury Envolvido em pesquisas na interseção de aprendizado de máquina e dinâmica não linear. Ele está interessado em desenvolver sinais de alerta precoce de pontos críticos em vários sistemas complexos. Ele possui doutorado em Matemática Aplicada pela Universidade de Waterloo e publicou suas pesquisas em revistas como PNAS e Nature Communications.
