Что, если ядерная бомба взорвется в Вашингтоне, округ Колумбия? Моделирование искусственных обществ помогает планировщикам справляться с немыслимым
Агентные модели разыгрывают катастрофы с миллионами синтетических людей
- 12 апр 2018
- М. Митчелл Уолдроп
Корни агентного моделирования восходят как минимум к 1940-м годам, когда пионеры компьютерных технологий, такие как Алан Тьюринг, экспериментировали с локально взаимодействующими частями программного обеспечения для моделирования сложного поведения в физике и биологии. Но нынешняя волна развития началась только в середине 1990-х годов.
Одним из первых успехов стал Sugarscape, разработанный экономистами Робертом Акстеллом из Университета Джорджа Мейсона в Фэрфаксе, штат Вирджиния, и Джошуа Эпштейном из Нью-Йоркского университета (NYU) в Нью-Йорке. Поскольку их целью было моделирование социальных явлений на обычных настольных компьютерах, они свели агентное моделирование к его сути: набору простых агентов, которые перемещались по сетке в поисках «сахара» — похожего на пищу ресурса, который был в изобилии в некоторых местах. и мало в других. Несмотря на простоту, эта модель привела к удивительно сложному групповому поведению, такому как миграция, боевые действия и сегрегация по соседству.
Еще одной вехой 1990-х годов стала система анализа и моделирования транспорта (Transims), агентная модель трафика, разработанная Барреттом и другими в Лос-Аламосской национальной лаборатории в Нью-Мексико. В отличие от традиционных моделей дорожного движения, которые использовали уравнения для описания движущихся транспортных средств как некой жидкости, Transims моделировала каждое транспортное средство и водителя как агента, движущегося по дорожной сети города. Симуляция включала в себя реалистичную смесь автомобилей, грузовиков и автобусов, которыми управляли люди с реалистичным сочетанием возрастов, способностей и пунктов назначения. Применительно к дорожным сетям в реальных городах Transims показал лучшие результаты, чем традиционные модели, в прогнозировании пробок и местных уровней загрязнения — это одна из причин, по которой вдохновленные Transims агентные модели теперь являются стандартным инструментом в транспортном планировании.
Аналогичный сдвиг происходил и с эпидемиологами.На протяжении большей части прошлого века они оценивали вспышки болезней с помощью сравнительно простого набора уравнений, которые делят людей на несколько категорий, таких как восприимчивые, заразные и иммунные, и которые предполагают идеальное смешение, означающее, что все в пораженном регионе заражены. в контакте со всеми остальными. Эти основанные на уравнениях модели сначала запускались на бумаге, а затем на компьютерах, и они до сих пор широко используются. Но эпидемиологи все чаще обращаются к агентным моделям, чтобы включить факторы, которые игнорируются уравнениями, такие как география, транспортные сети, структура семьи и изменение поведения — все это может сильно повлиять на распространение болезни. Например, во время вспышки лихорадки Эбола в Западной Африке в 2014 году группа Virginia Tech использовала агентную модель, чтобы помочь военным США определить места для полевых госпиталей. Планировщикам нужно было знать, где будет самый высокий уровень заражения, когда наконец прибудут мобильные подразделения, как далеко и как быстро пациенты смогут путешествовать по заведомо плохим дорогам региона, а также множество других вопросов, не отраженных в уравнениях традиционных моделей.
В другом примере лаборатория Эпштейна в Нью-Йоркском университете работает с городским отделом здравоохранения над моделированием потенциальных вспышек вируса Зика, переносимого комарами, который может привести к катастрофическим врожденным дефектам. Группа разработала модель, включающую агентов, представляющих всех 8,5 миллионов жителей Нью-Йорка, а также меньший набор агентов, представляющих всю популяцию отдельных комаров, согласно оценке ловушек. Модель также включает данные о том, как люди обычно перемещаются между домом, работой, школой и покупками; на сексуальное поведение (Зика может передаваться через незащищенный секс); а также на факторы, влияющие на популяции комаров, такие как сезонные колебания температуры, осадки и места размножения, такие как тайники со старыми шинами.В результате появилась модель, которая не только предсказывает, насколько серьезной может стать такая вспышка — эпидемиологи могут определить это с помощью уравнений, — но также предлагает, где могут быть самые горячие точки.
В экономике агентные модели могут быть мощным инструментом для понимания глобальной бедности, говорит Стефан Алегатт, экономист Всемирного банка в Вашингтоне, округ Колумбия. Если вы смотрите только на стандартные показатели, такие как валовой внутренний продукт (ВВП) и общий доход , говорит он, то в большинстве стран вы видите только богатых людей: у бедных так мало денег, что они едва регистрируются.
Чтобы добиться большего, Халлегатт и его коллеги изучают отдельные семьи. Его команда построила модель с агентами, представляющими 1,4 миллиона домохозяйств по всему миру (примерно 10 000 на страну), и изучила, как изменение климата и стихийные бедствия могут повлиять на здоровье, продовольственную безопасность и производительность труда. Модель оценивает, как ураганы или засуха могут повлиять на урожайность сельскохозяйственных культур и рыночные цены, или как землетрясение может подорвать доходы фабричных рабочих, разрушив их автомобили, дороги или даже фабрики.
Модель предполагает нечто очевидное: бедные люди значительно более уязвимы к стихийным бедствиям и изменению климата, чем богатые. Но команда Халлегатта увидела огромное количество вариаций. Например, если бедняки в определенной стране в основном фермеры, они могут реально выиграть от изменения климата, когда глобальные цены на продукты питания вырастут. Но если бедняки страны в основном проживают в городах, такое повышение цен может сильно навредить.
Такая степень детализации позволила Всемирному банку адаптировать свои рекомендации к потребностям каждой страны, говорит Халлегатт, и гораздо проще объяснить результаты модели человеческими терминами, а не экономическим жаргоном. «Вместо того, чтобы говорить стране, что изменение климата уменьшит ее ВВП на Х%, — говорит он, — вы можете сказать, что 10 миллионов человек окажутся за чертой бедности. Эту цифру гораздо легче понять».
Учитывая, как много поставлено на карту в этих симуляциях, говорит Барретт, пользователи всегда хотят знать, почему они должны доверять результатам. Как они могут быть уверены, что выходные данные модели имеют какое-либо отношение к реальному миру, особенно в таких случаях, как ядерные катастрофы, для которых нет эмпирических данных?
Барретт говорит, что у этого вопроса есть несколько ответов. Во-первых, пользователи не должны ожидать, что модели будут делать конкретные прогнозы, скажем, в отношении краха фондового рынка в следующий вторник. Вместо этого большинство разработчиков моделей учитывают неизбежные неопределенности, усредняя множество прогонов каждого сценария и отображая вероятный диапазон результатов, подобно прогнозам обрушения ураганов на сушу. Это по-прежнему позволяет планировщикам использовать модель в качестве испытательного стенда для отработки последствий действий A, B или C.
Во-вторых, говорит Барретт, разработчики моделей не должны просто слепить модель и посмотреть, имеют ли смысл окончательные результаты. Вместо этого они должны проверять модель по мере ее создания, наблюдая за каждой частью, когда они ее вставляют — например, как люди добираются до работы и с работы — и сопоставляя ее с реальными данными транспортных агентств, переписи населения и других источников. источники. «На каждом этапе есть данные, на которые вы ориентируетесь, — говорит он.
Разработчики моделей также должны попытаться откалибровать поведение агентов, используя исследования человеческой психологии. Сделать это может быть сложно — люди сложны, — но в кризисных ситуациях моделирование поведения становится проще, потому что оно имеет тенденцию быть первобытным. Модель NPS1, например, обходится встроенными правилами, которые заставляют агентов переключаться между несколькими видами поведения, такими как «обращение за медицинской помощью», «поиск убежища» и «эвакуация».
Тем не менее полевые исследования указывают на важные нюансы, говорит Джули Дагдейл, исследователь искусственного интеллекта из Гренобльского университета во Франции, изучающая поведение человека в условиях стресса.«Во время землетрясений, — говорит она, — мы обнаруживаем, что люди больше боятся остаться без семьи или друзей, чем самого кризиса». Люди первым делом отправятся на поиски своих близких и добровольно подвергнут себя опасности в процессе. То же самое и с пожарами, говорит Дагдейл. Инженеры склонны предполагать, что когда прозвучит сигнал тревоги, люди сразу же упорядоченно пойдут к выходам. Но просто посмотрите, как в следующий раз, когда в вашем здании будет пожарная тревога, она говорит: «Люди не эвакуируются, не поговорив сначала с другими» — и, если необходимо, собрав друзей и семью.
Данные также свидетельствуют о том, что слепая, бездумная паника встречается редко. В агентной модели, опубликованной в 2011 году, социолог Бен Агирре и его коллеги из Делавэрского университета в Ньюарке попытались воспроизвести то, что произошло во время пожара в ночном клубе Род-Айленда в 2003 году. Толпы столкнулись так плотно, что никто не мог двигаться, и 100 человек погибли. Благодаря полиции, местной газете и рассказам выживших у команды Агирре были хорошие данные о жертвах, их поведении и отношениях с другими людьми. И когда исследователи включили эти отношения в модель, говорит он, пробеги, наиболее соответствующие реальному пожару, почти не вызывали паники. «Мы обнаружили, что люди пытались выбраться с друзьями, коллегами и любимыми, — говорит Агирре. «Они не пытались навредить друг другу. Это была случайность».
Модель NPS1 пытается использовать такие идеи, отправляя своих агентов в режим «восстановления семьи» (поиск друзей и семьи) гораздо чаще, чем в режим «паники» (бегая без четкой цели). И результаты иногда могут быть контринтуитивными. Например, модель предполагает, что сразу после забастовки менеджеры по чрезвычайным ситуациям должны ожидать, что некоторые люди устремятся к эпицентру, забивая дороги в отчаянной попытке забрать детей из школы или найти пропавших супругов.Модель также указывает на хороший способ уменьшить хаос: быстро восстановить частичное обслуживание сотовой связи, чтобы люди могли убедиться, что их близкие в безопасности.
Если разработчики моделей на основе агентов имеют первостепенное значение, так это упростить создание, запуск и использование симуляций — не в последнюю очередь потому, что это сделало бы их более доступными для лиц, принимающих решения в реальном мире.
Эпштейн, например, представляет себе национальные центры, в которых лица, принимающие решения, могли бы получить доступ к тому, что он называет петабайтной игрой: библиотеке, содержащей цифровые версии каждого крупного города с предварительно рассчитанными моделями почти каждой потенциальной опасности. «Тогда, если что-то действительно произойдет, например, ядовитый шлейф, — говорит он, — мы могли бы выбрать наиболее подходящую модель и провести практически в реальном времени расчет таких вещей, как оптимальное сочетание укрытия на месте и эвакуации». ."
В Технологическом институте Вирджинии ученый-компьютерщик Мадхав Марат думает в том же направлении. По его словам, когда надвигается ураган 5-й категории, кто-то вроде мэра Сан-Хуана не может ждать недельного анализа возможного воздействия урагана на энергосистему Пуэрто-Рико. По его словам, ей нужна информация, которую можно использовать, — «а это означает модели с простым интерфейсом, работающие в облаке, обеспечивающие очень сложную аналитику за очень короткий период времени».
Марат называет это «агентным моделированием как услугой». Его лаборатория уже провела последние 4 года, разрабатывая и тестируя веб-инструмент, который позволяет чиновникам общественного здравоохранения создавать модели пандемии и проводить анализ «что, если» самостоятельно, без необходимости нанимать программистов. Всего несколькими щелчками мыши пользователи могут указать ключевые переменные, такие как интересующий регион, от небольшого города до всех Соединенных Штатов, а также тип заболевания, например, грипп, корь, лихорадку Эбола или что-то новое. Затем, используя встроенные в инструмент карты и графики, пользователи могут наблюдать за ходом симуляции и наблюдать за эффектом предлагаемых ими протоколов лечения.
По словам Марате, несмотря на то, что инструмент специализируется на эпидемиях, лежащие в его основе географические модели и синтетические популяции являются общими, и их можно применять к другим видам стихийных бедствий, таким как разливы химикатов, ураганы и каскадные сбои в сетях электроснабжения. В конечном счете, по его словам, «надежда состоит в том, чтобы превратить такие модели в услуги, которые будут индивидуализированы — для вас, вашей семьи или вашего города». Или, как выразился Барретт: «Если я отправлю Джимми в школу сегодня, какова вероятность того, что он заразится вирусом Зика?»
Таким образом, эти системы будут использовать не только бюрократы, добавляет Барретт. Это будешь ты. «Это будет так же рутинно, как Google Maps.
