Oavsett om du försöker förutsäga en klimatkatastrof eller kris för psykisk hälsa, säger matematiken oss att vi ska leta efter fluktuationer.
Förändringar i data, från populationer av vilda djur till ångestnivåer, kan vara en tidig varningssignal om att ett system når en kritisk tröskel, känd som en tipppunkt, där dessa förändringar kan accelerera eller till och med bli irreversibla.
Men vilka datapunkter är viktigast? Och vilka är helt enkelt bara buller?
En ny algoritm utvecklad av forskare vid University at Buffalo kan identifiera de mest prediktiva datapunkterna som en tipppunkt är nära. Detaljerat i Nature Communications , använder detta teoretiska ramverk kraften hos stokastiska differentialekvationer för att observera fluktuationen av datapunkter, eller noder, och sedan bestämma vilka som ska användas för att beräkna en tidig varningssignal.
Simuleringar bekräftade att denna metod var mer exakt för att förutsäga teoretiska tipppunkter än att slumpmässigt välja noder.
"Varje nod är något bullrig – med andra ord förändras den över tiden – men vissa kan förändras tidigare och mer drastiskt än andra när en tipppunkt är nära. Att välja rätt uppsättning noder kan förbättra kvaliteten på den tidiga varningssignalen, eftersom samt hjälpa oss att undvika att slösa resurser på att observera oinformativa noder", säger studiens huvudförfattare, Naoki Masuda, Ph.D., professor och chef för forskarstudier vid UB Department of Mathematics, inom College of Arts and Sciences.
Studien var medförfattare av Neil Maclaren, en postdoktor vid matematiska institutionen, och Kazuyuki Aihara, verkställande direktör för International Research Centre for Neurointelligence vid University of Tokyo.
Algoritmen är unik genom att den helt införlivar nätverksvetenskap i processen. Medan tidiga varningssignaler har applicerats på ekologi och psykologi under de senaste två decennierna, har lite forskning fokuserat på hur dessa signaler är anslutna inom ett nätverk, säger Masuda.
Tänk på depression. Senare forskning har betraktat det och andra psykiska störningar som ett nätverk av symptom som påverkar varandra genom att skapa återkopplingsslingor. En förlust av aptit kan innebära uppkomsten av fem andra symtom inom en snar framtid, beroende på hur nära dessa symtom är i nätverket.
"Som nätverksforskare kände jag att nätverksvetenskap kunde erbjuda ett unikt eller kanske till och med förbättrat förhållningssätt till tidiga varningssignaler", säger Masuda.
Genom att noggrant överväga system som nätverk, fann forskare att det inte var den bästa strategin att helt enkelt välja noderna med de största fluktuationerna. Det beror på att vissa valda noder kan vara för nära relaterade till andra valda noder.
"Även om vi kombinerar två noder med trevliga tidiga varningssignaler, får vi inte nödvändigtvis en mer exakt signal. Ibland ger en kombination av en nod med en bra signal och en annan nod med en signal av medelhög kvalitet oss faktiskt en bättre signal", säger Masuda. säger.
Medan teamet validerade algoritmen med numeriska simuleringar, säger de att den lätt kan tillämpas på faktiska data eftersom den inte kräver information om själva nätverksstrukturen; det kräver bara två olika tillstånd i nätverkssystemet för att bestämma en optimal uppsättning noder.
"Nästa steg kommer att vara att samarbeta med domänexperter som ekologer, klimatforskare och läkare för att vidareutveckla och testa algoritmen med sin empiriska data och få insikter i deras problem", säger Masuda.
Mer information: Naoki Masuda et al, Förutse regimskiften genom att blanda tidiga varningssignaler från olika noder, Nature Communications (2024). DOI:10.1038/s41467-024-45476-9
Journalinformation: Nature Communications
Tillhandahålls av University at Buffalo
