Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty

Il paper introduce Procela, un framework Python che rivoluziona le simulazioni meccanicistiche consentendo loro di mutare strutturalmente a runtime: può aggiungere dinamicamente nuovi meccanismi inesistenti all'avvio, rimuovere quelli fallimentari, modificare le politiche di risoluzione delle variabili e condurre esperimenti che alterano il grafo causale stesso, con ripristino automatico in caso di fallimento, superando i metodi tradizionali basati sul ridimensionamento di modelli fissi e dimostrando risultati superiori nella gestione della resistenza antimicrobica.

L'essenziale

Immagina di dover guidare un'auto in una nebbia fittissima, su una strada che cambia continuamente: a volte è asfalto, a volte sterrato, a volte ghiacciata.

Il modo tradizionale di simulare il mondo (usato dai computer per prevedere epidemie, il clima o l'economia) è come avere una mappa stampata una volta per tutte. La mappa ti dice: "Questa è una strada di asfalto". Se la strada diventa ghiacciata, la tua mappa continua a dirti che è asfalto, e tu continui a guidare come se nulla fosse, rischiando di sbandare. Anche i "comitati di esperti" tradizionali (ensemble) sono limitati: sono come avere tre mappe fisse e scegliere quella migliore, ma non possono mai disegnarne una nuova se la strada cambia radicalmente.

Procela, presentato da Kinson Vernet, è un nuovo modo di pensare alle simulazioni. È come trasformare quella mappa statica in un navigatore intelligente che non solo ha la memoria, ma può ridisegnare la mappa mentre guida.

Ecco come funziona, spiegato con parole semplici:

1. Il problema: "Le mappe fisse non bastano"

In molti campi complessi, come la diffusione di un batterio resistente agli antibiotici (AMR), non sappiamo con certezza quale sia la causa principale.

• Alcuni dicono: "Si diffonde perché i pazienti si toccano".
• Altri dicono: "No, è perché le superfici sono sporche".
• Altri ancora: "È colpa degli antibiotici usati troppo spesso".

I computer tradizionali devono scegliere una di queste storie o fare una media fissa. Se la realtà cambia (ad esempio, da un problema di antibiotici si passa a un problema di pulizia), il computer rimane bloccato con le sue vecchie opzioni, rischiando di fallire.

2. La soluzione Procela: Un "Consiglio di Scienziati" che si evolve

Procela non usa una singola mappa e non si limita a scegliere tra quelle esistenti. Immagina di avere un consiglio di scienziati dentro il computer, ognuno con una teoria diversa:

• Lo scienziato "Contatto"
• Lo scienziato "Ambiente"
• Lo scienziato "Farmaci"

La vera rivoluzione di Procela è che questo consiglio non è fisso. Il sistema può aggiungere nuovi scienziati (nuove teorie) che non esistevano all'inizio, licenziare quelli che sbagliano (rimuovere meccanismi), o cambiare le regole su come decidono insieme (ad esempio, passare dal voto ponderato a "chi ha più fiducia vince").

3. Il "Governatore": Il cervello che gestisce il cambiamento

Al centro di Procela c'è un Governatore (Governor). Questo non è un semplice controllore, ma un'entità indipendente dal dominio specifico (funziona per il clima, l'economia o la medicina) con quattro capacità generali:

1. Osservare (Observe): Monitora i segnali che tu, esperto del settore, decidi di definire. Non guarda "le cose sbagliate" di default, ma ciò che tu gli dici di controllare.
2. Decidere (Decide): Quando i segnali superano certe soglie (ad esempio, se un errore diventa troppo frequente), il Governatore attiva una procedura di intervento.
3. Agire (Act): Questa è la parte potente. Il Governatore può:
   • Aggiungere nuovi meccanismi (nuove teorie) al sistema.
   • Rimuovere completamente i meccanismi che falliscono.
   • Cambiare le regole di risoluzione (come il sistema combina le previsioni).
   • Lanciare esperimenti che modificano la struttura stessa della simulazione (il "grafo causale").
4. Imparare (Learn): Se un esperimento funziona, il sistema lo mantiene. Se un esperimento fallisce, il sistema reverte automaticamente alla configurazione precedente, come se nulla fosse successo.

È come se il computer stesse facendo scienza in tempo reale: osserva, ipotizza, prova a cambiare la struttura della realtà simulata, e corregge il tiro senza che un umano debba intervenire.

4. Il caso di studio: Resistenza agli Antibiotici (AMR)

Per dimostrare come funziona, il documento applica Procela a un ospedale dove la situazione cambia tre volte. Qui vediamo come il Governatore usa segnali specifici per questo dominio (che non sono fissi nel sistema, ma scelti per questo caso):

• I Segnali Specifici (AMR):

  • Copertura (Coverage): Misura quanto sono precisi i diversi gruppi di scienziati nel prevedere l'evoluzione.
  • Fragilità (Fragility): Rileva quando gli scienziati sono in forte disaccordo su quale intervento applicare (es. isolare vs. pulire).
  • Sonda (Probe): Un esperimento attivo dove il sistema "isola" temporaneamente un gruppo di scienziati per vedere come performa da solo, senza l'aiuto degli altri.

• L'Evoluzione in azione:

  1. Fase 1: Il problema sono i farmaci. Il sistema nota che gli scienziati "Farmaci" hanno alta Copertura.
  2. Fase 2: C'è un'epidemia dovuta a tubature sporche. Il segnale di Fragilità esplode (gli esperti dei farmaci e dell'ambiente litigano). Il Governatore lancia una Sonda: spegne temporaneamente gli scienziati "Farmaci". Scopre che le previsioni peggiorano senza di loro, ma che il gruppo "Ambiente" sta migliorando. Il sistema decide di aggiungere un nuovo meccanismo di pulizia e rimuovere la priorità ai farmaci.
  3. Fase 3: I pazienti si contagiano toccandosi. Il sistema nota che le vecchie regole di voto non funzionano più. Cambia la regola di risoluzione (da "voto ponderato" a "maggiore fiducia") e attiva un nuovo scienziato "Contatto" che prima non era stato considerato.

Un computer normale sarebbe rimasto confuso e avrebbe dato previsioni sbagliate. Procela, invece, disegna una nuova mappa a metà viaggio, aggiunge strumenti che non c'erano e cambia il modo in cui il capitano legge la bussola.

I Risultati

Il documento mostra che questo approccio funziona davvero:

• Meno errori: Le previsioni sono state più precise del 20% rispetto ai metodi tradizionali.
• Decisioni migliori: Anche se a volte le previsioni non erano perfette, le decisioni prese (come isolare i pazienti o pulire di più) sono state molto più efficaci, riducendo il rischio di disastri.
• Trasparenza: Tutto è registrato. Puoi guardare il "diario di bordo" e vedere esattamente perché il computer ha cambiato idea, aggiunto una teoria o modificato una regola.

In sintesi

Procela è come dare al computer un cervello che sa di non sapere. Invece di essere un oracolo rigido che si ostina a dire "la strada è asfalto", diventa un esploratore curioso che dice: "Forse è ghiaccio, proviamo a vedere cosa succede se cambio le gomme, o se aggiungiamo un nuovo sensore, o se cambiamo il modo in cui guidiamo".

È un passo avanti enorme: non simuliamo più solo il mondo, ma simuliamo anche il nostro modo di capire il mondo, rendendoci più intelligenti e adattabili di fronte all'incertezza.

Sommario tecnico

Titolo: Procela: Governance Epistemica nelle Simulazioni Meccanicistiche in Condizioni di Incertezza Strutturale

1. Il Problema: Il limite delle ontologie fisse

Le simulazioni meccanicistiche tradizionali operano sotto l'assunzione di ontologie fisse: le variabili, le relazioni causali e le politiche di risoluzione sono definite staticamente prima dell'esecuzione e rimangono invariate. Questo approccio fallisce quando la vera struttura causale di un sistema è contestata, non identificabile o soggetta a cambiamenti (es. la diffusione della resistenza antimicrobica - AMR, dove coesistono ipotesi di trasmissione per contatto, riserve ambientali e pressione selettiva degli antibiotici).
Forzare una scelta tra ontologie concorrenti al momento della modellazione elimina l'incertezza epistemica, portando a modelli che non possono adattarsi quando il regime di fondo cambia. Le attuali soluzioni (mediazione di modelli, controllo robusto, apprendimento strutturale bayesiano) operano ancora all'interno del paradigma dell'ontologia fissa e non permettono alla simulazione di mettere in discussione le proprie assunzioni di base, limitandosi spesso a ripesare o silenziare meccanismi preesistenti.

2. Metodologia: L'architettura Procela (Livello Framework)

Il paper introduce Procela, un framework Python (3.10+) che eleva l'incertezza epistemica da una preoccupazione pre-simulazione a un processo di runtime. La filosofia centrale è trasformare la simulazione in un processo scientifico autonomo capace di mutare la propria architettura causale. A differenza dei metodi di ensemble o mediazione che operano su un set fisso di modelli, Procela permette la mutazione strutturale dinamica dell'architettura di simulazione.

L'architettura si basa su quattro astrazioni fondamentali:

1. Variabili come autorità epistemiche portatrici di memoria:

   • Le variabili non contengono solo un valore, ma mantengono una memoria completa di tutte le ipotesi concorrenti generate nel tempo.
   • Ogni ipotesi è un oggetto strutturato contenente: valore proposto, livello di confidenza, identificatore della fonte (chiave crittografica del meccanismo) e timestamp.
   • Le variabili risolvono i conflitti tra ipotesi tramite politiche di risoluzione (es. voto ponderato, massima confidenza, mediana), che possono essere modificate dinamicamente dalla governance.

2. Meccanismi come unità causali (Teorie scientifiche):

   • Ogni meccanismo codifica un'ipotesi causale specifica.
   • I meccanismi leggono le variabili, applicano trasformazioni e scrivono nuove ipotesi.
   • Più meccanismi possono competere per spiegare lo stesso fenomeno, rappresentando diverse prospettive scientifiche.

3. Governance come cittadino di prima classe (Il "Governor"):

   • La governance è integrata nel sistema e agisce come un agente autonomo che osserva, decide e agisce.
   • Osservazione: Il Governor monitora segnali computabili definiti a livello di dominio (non hard-coded nel framework).
   • Decisione: Basandosi su soglie predefinite o logiche di apprendimento, decide se intraprendere un'azione correttiva.
   • Azione (Mutazione Strutturale): La governance esegue mutazioni strutturali radicali sulla topologia della simulazione, tra cui:
     • Aggiunta dinamica: Inserire nuovi meccanismi che non esistevano all'inizializzazione.
     • Rimozione: Eliminare completamente meccanismi che falliscono.
     • Cambio di politica: Modificare le politiche di risoluzione delle variabili in runtime.
     • Esperimenti Causali: Eseguire esperimenti che alterano temporaneamente il grafo causale.
   • Apprendimento e Reversione: Se un esperimento strutturale fallisce (es. peggiora le prestazioni), la governance esegue una reversione automatica allo stato precedente, garantendo che la simulazione non si degradi irreversibilmente.

4. Executive:

   • Orchestratore che esegue i cicli di simulazione, gestisce lo stato casuale, il contatore dei passi e mantiene un registro completo (audit trail) di tutte le azioni, le ipotesi e le mutazioni strutturali.

3. Caso di Studio: Diffusione della Resistenza Antimicrobica (AMR)

Per validare il framework, è stato implementato un caso di studio sulla diffusione di organismi resistenti in una rete ospedaliera. È importante notare che i segnali e le strategie descritti di seguito sono istanziazioni specifiche del dominio AMR e non componenti fisse del framework Procela.

• Scenario: Una rete di 3 unità ospedaliere con 160 passi temporali.
• Regimi di Verità Nascosti: Il sistema subisce tre cambi di regime (shift):
  1. Regime di Selezione: Dominio della pressione antibiotica.
  2. Regime Ambientale: Dominio della contaminazione ambientale (es. guasto idraulico).
  3. Regime di Contatto: Dominio della trasmissione tra pazienti.
• Meccanismi Competitivi: Tre famiglie di meccanismi (Contatto, Ambientale, Selezione), ciascuna con diverse varianti parametriche, competono per prevedere il numero di pazienti colonizzati.
• Segnali Epistemiche (Istanziazioni di Dominio): Sono stati definiti segnali specifici per guidare la governance in questo contesto:
  • Copertura (Coverage): Accuratezza predittiva di ogni famiglia di meccanismi.
  • Fragilità della Politica: Grado di disaccordo tra i meccanismi sulla scelta dell'intervento (isolamento, pulizia, stewardship antibiotica).
  • Errore Recente: Accuratezza attuale della previsione aggregata.

4. Risultati Sperimentali

Gli esperimenti sono stati eseguiti su 50 run indipendenti, confrontando la baseline (nessuna governance) con tre strategie di governance distinte, applicate come istanze del framework:

1. Governance della Fragilità della Politica:

   • Azione: Cambia la politica di risoluzione da "voto ponderato" a "massima confidenza" quando c'è alto disaccordo.
   • Risultato: Prestazioni peggiori (-1,6% di errore medio). La politica "massima confidenza" si è rivelata subottimale rispetto al voto ponderato in questo contesto, dimostrando che non tutte le mutazioni strutturali sono benefiche senza un'adeguata validazione.

2. Governance del Decadimento della Copertura (Coverage Decay):

   • Azione: Disabilita temporaneamente intere famiglie di meccanismi quando la loro accuratezza predittiva scende sotto una soglia per un periodo prolungato.
   • Risultato: Miglioramento significativo. Riduzione dell'errore medio del 20,4% rispetto alla baseline. È la strategia più efficace per la previsione, con una bassa varianza.

3. Governance della Sonda Strutturale (Structural Probe):

   • Azione: Isola periodicamente ogni famiglia di meccanismi per valutarne le prestazioni in isolamento, senza cambiare permanentemente la topologia.
   • Risultato: Miglioramento moderato della previsione (+9,3%), ma eccellente per il processo decisionale. Ha ottenuto un miglioramento del 69% nella "differenza cumulativa" rispetto all'intervento ottimale, indicando che aiuta a scegliere le azioni corrette anche se la previsione numerica non è perfetta.

4. Governance Combinata:

   • L'uso simultaneo di tutte le strategie ha portato a un miglioramento dell'8,18% nell'errore, ma ha introdotto una certa instabilità, suggerendo che la combinazione richiede un design robusto per evitare conflitti tra le azioni di governance.

5. Contributi Chiave e Significato

• Nuovo Paradigma di Simulazione: Procela stabilisce un nuovo paradigma in cui le simulazioni non modellano solo il mondo, ma modellano anche il proprio processo di modellazione. La simulazione diventa un agente autonomo capace di auto-correggersi attraverso la mutazione strutturale, distinguendosi dai metodi di ensemble che operano su insiemi statici.
• Gestione dell'Incertezza Strutturale: Dimostra che è possibile gestire l'incertezza quando la struttura causale è sconosciuta o mutevole, senza dover scegliere a priori un modello "giusto", permettendo l'aggiunta dinamica di nuovi meccanismi e la rimozione di quelli falliti.
• Auditabilità Completa: Ogni ipotesi, ogni conflitto e ogni azione di governance (inclusi i tentativi di mutazione e le relative reversioni) è tracciata crittograficamente, creando una storia completa e verificabile dell'evoluzione del modello.
• Indipendenza dal Dominio: Sebbene testato sull'AMR, l'architettura è agnostica rispetto al dominio. I segnali di governance sono definiti dall'utente in base al dominio specifico, rendendo il framework applicabile a climatologia, economia, scienze sociali e robotica.
• Trade-off Previsione vs. Decisione: Il lavoro evidenzia un fondamentale compromesso: strategie che ottimizzano la previsione (decadimento della copertura) non sempre massimizzano la qualità della decisione, e viceversa (sonda strutturale).

Conclusione

Procela dimostra che l'integrazione della governance epistemica nelle simulazioni meccanicistiche permette di ridurre significativamente gli errori predittivi e migliorare le decisioni operative in ambienti complessi e incerti. Il framework trasforma la simulazione da un artefatto statico a un processo scientifico dinamico, capace di adattarsi ai cambiamenti del mondo reale attraverso l'esperimento, la mutazione strutturale e l'osservazione continua. Il codice è open-source e disponibile per l'uso e l'estensione dalla comunità scientifica.