Of je nu een klimaatcatastrofe of een geestelijke gezondheidscrisis probeert te voorspellen, de wiskunde leert ons dat we naar schommelingen moeten zoeken.
Veranderingen in gegevens, van de populatie wilde dieren tot angstniveaus, kunnen een vroeg waarschuwingssignaal zijn dat een systeem een kritieke drempel bereikt, ook wel een omslagpunt genoemd, waarin deze veranderingen kunnen versnellen of zelfs onomkeerbaar kunnen worden.
Maar welke datapunten zijn het belangrijkst? En welke zijn gewoonweg ruis?
Een nieuw algoritme ontwikkeld door onderzoekers van de Universiteit van Buffalo kan de meest voorspellende datapunten identificeren waarop een omslagpunt nabij is. Gedetailleerd in Natuurcommunicatie gebruikt dit theoretische raamwerk de kracht van stochastische differentiaalvergelijkingen om de fluctuatie van datapunten, of knooppunten, te observeren en vervolgens te bepalen welke moeten worden gebruikt om een vroeg waarschuwingssignaal te berekenen.
Simulaties bevestigden dat deze methode nauwkeuriger was in het voorspellen van theoretische omslagpunten dan het willekeurig selecteren van knooppunten.
“Elk knooppunt is enigszins luidruchtig – met andere woorden, het verandert in de loop van de tijd – maar sommige kunnen eerder en drastischer veranderen dan andere wanneer een omslagpunt nabij is. Het selecteren van de juiste set knooppunten kan de kwaliteit van het vroege waarschuwingssignaal verbeteren, omdat en ons helpen voorkomen dat we middelen verspillen aan het observeren van niet-informatieve knooppunten", zegt de hoofdauteur van het onderzoek, Naoki Masuda, Ph.D., professor en directeur van graduate studies aan de UB-afdeling Wiskunde, binnen het College of Arts and Sciences.
De studie was co-auteur van Neil Maclaren, een postdoctoraal onderzoeksmedewerker bij de afdeling Wiskunde, en Kazuyuki Aihara, uitvoerend directeur van het International Research Center for Neurointelligence aan de Universiteit van Tokio.
Waarschuwingssignalen verbonden via netwerken
Het algoritme is uniek omdat het netwerkwetenschap volledig in het proces integreert. Hoewel vroege waarschuwingssignalen de afgelopen twintig jaar zijn toegepast in de ecologie en psychologie, heeft weinig onderzoek zich gericht op de manier waarop deze signalen binnen een netwerk met elkaar verbonden zijn, zegt Masuda.
Denk aan depressie. Recent onderzoek heeft het, samen met andere psychische stoornissen, beschouwd als een netwerk van symptomen die elkaar beïnvloeden door feedbackloops te creëren. Een verlies aan eetlust kan in de nabije toekomst het optreden van vijf andere symptomen betekenen, afhankelijk van hoe dicht deze symptomen zich op het netwerk bevinden.
"Als netwerkwetenschapper had ik het gevoel dat netwerkwetenschap een unieke of misschien zelfs verbeterde aanpak van vroege waarschuwingssignalen zou kunnen bieden", zegt Masuda.
Door systemen grondig als netwerken te beschouwen, ontdekten onderzoekers dat het eenvoudigweg selecteren van de knooppunten met de grootste fluctuaties niet de beste strategie was. Dat komt omdat sommige geselecteerde knooppunten mogelijk te nauw verwant zijn aan andere geselecteerde knooppunten.
"Zelfs als we twee knooppunten combineren met mooie vroege waarschuwingssignalen, krijgen we niet noodzakelijkerwijs een nauwkeuriger signaal. Soms geeft het combineren van een knooppunt met een goed signaal en een ander knooppunt met een signaal van gemiddelde kwaliteit ons feitelijk een beter signaal", zegt Masuda. zegt.
Hoewel het team het algoritme heeft gevalideerd met numerieke simulaties, zeggen ze dat het gemakkelijk kan worden toegepast op daadwerkelijke gegevens, omdat er geen informatie over de netwerkstructuur zelf voor nodig is; er zijn slechts twee verschillende toestanden van het netwerksysteem nodig om een optimale set knooppunten te bepalen.
"De volgende stappen zullen zijn om samen te werken met domeinexperts zoals ecologen, klimaatwetenschappers en artsen om het algoritme verder te ontwikkelen en te testen met hun empirische gegevens en inzicht te krijgen in hun problemen", zegt Masuda.