Os pesquisadores estãodesenvolvendo inteligaªncia artificial que pode avaliar os pontos de inflexa£o dasmudanças climáticas. O algoritmo de aprendizado profundo pode atuar como um sistema de alerta precoce contramudanças climáticas descontroladas.

Chris Bauch, professor de matemática aplicada na Universidade de Waterloo, éco

autor de um artigo de pesquisa recente que relata os resultados do novo algoritmo de aprendizado profundo . A pesquisa analisa os limites além dos quaismudanças rápidas ou irreversa­veis acontecem em um sistema, disse Bauch. "Descobrimos que o novo algoritmo foi capaz de não apenas prever os pontos de inflexa£o com mais precisão do que as abordagens existentes, mas também fornecer informações sobre que tipo de estado estãoalém do ponto de inflexa£o", disse Bauch. "Muitos desses pontos de inflexa£o são indesejáveis ​​e gostara­amos de evita¡-los, se pudermos."

Alguns pontos de inflexa£o frequentemente associados amudanças climáticas descontroladas incluem o derretimento do permafrost a¡rtico, que poderia liberar grandes quantidades de metano e estimular ainda mais o rápido aquecimento; colapso dos sistemas de correntes oceânicas:, o que poderia levar amudanças quase imediatas nos padraµes clima¡ticos ; ou desintegração do manto de gelo, que pode levar a uma rápida mudança noníveldo mar.

A abordagem inovadora com esta IA, de acordo com os pesquisadores, éque ela foi programada para aprender não apenas sobre um tipo de ponto de inflexa£o, mas as caracteri­sticas dos pontos de inflexa£o em geral.

A abordagem ganha força com a hibridização de IA e teorias matemáticas de pontos de inflexa£o, realizando mais do que qualquer manãtodo sozinho. Depois de treinar a IA no que eles caracterizam como um "universo de possa­veis pontos de inflexa£o" que inclua­a cerca de 500.000 modelos, os pesquisadores o testaram em pontos de inflexa£o específicos do mundo real em vários sistemas, incluindo amostras hista³ricas de clima .

"Nosso manãtodo aprimorado pode levantar bandeiras vermelhas quando estamos perto de um ponto de inflexa£o perigoso", disse Timothy Lenton, diretor do Global Systems Institute da Universidade de Exeter e um dos coautores do estudo. "Fornecer um alerta antecipado melhorado sobre os pontos de inflexa£o climática pode ajudar as sociedades a se adaptarem e a reduzir sua vulnerabilidade ao que estãopor vir, mesmo que elas não possam evita¡-lo."

O aprendizado profundo estãofazendo grandes avanços no reconhecimento e classificação de padraµes , com os pesquisadores tendo, pela primeira vez, convertido a detecção de pontos de inflexa£o em um problema de reconhecimento de padraµes. Isso éfeito para tentar detectar os padraµes que ocorrem antes de um ponto de inflexa£o e obter um algoritmo de aprendizado de ma¡quina para dizer se um ponto de inflexa£o estãochegando.

"As pessoas estãofamiliarizadas com os pontos de inflexa£o nos sistemas clima¡ticos, mas existem pontos de inflexa£o na ecologia e epidemiologia e atémesmo nos mercados de ações", disse Thomas Bury, pesquisador de pa³s-doutorado da Universidade McGill e outro dos coautores do artigo. "O que aprendemos éque a IA émuito boa em detectar caracteri­sticas de pontos de inflexa£o comuns a uma ampla variedade de sistemas complexos."

O novo algoritmo de aprendizado profundo é"um divisor de a¡guas para a capacidade de antecipar grandesmudanças, incluindo aquelas associadas a smudanças climáticas", disse Madhur Anand, outro dos pesquisadores do projeto e diretor do Guelph Institute for Environmental Research.

Agora que sua IA aprendeu como funcionam os pontos de inflexa£o, a equipe estãotrabalhando na próxima etapa, que éfornecer dados para tendaªncias contempora¢neas nasmudanças climáticas. Mas Anand emitiu uma palavra de cautela sobre o que pode acontecer com esse conhecimento.

"Isso definitivamente nos da¡ uma vantagem", disse ela. "Mas éclaro que depende da humanidade o que faremos com esse conhecimento. Sa³ espero que essas novas descobertas levem amudanças positivas e equitativas."

O artigo "Aprendizagem profunda para sinais de alerta precoces de pontos de inflexa£o", por Bauch, Lenton, Bury, Anand e co-autores RI Sujith, Induja Pavithran e Marten Scheffer, foi publicado na revista Proceedings of the National Academy of Sciences ( PNAS )