Latent debt in PINNs with SIR Models: Dynamical Compensation and Topological Bottlenecks
Dit artikel onthult dat Physics-Informed Neural Networks (PINNs) toegepast op SIR-modellen lijden aan "latente schuld" tijdens vroege exponentiële groeifasen, waarbij een vlak, rangarme verlieslandschap de optimalisatie toestaat om residuen te minimaliseren door niet-geobserveerde latente toestanden te vervormen en fouten voort te planten, wat uiteindelijk resulteert in numeriek accurate oplossingen met fundamenteel incorrecte parameterschattingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Wanneer wetenschappers proberen te voorspellen hoe een ziekte zich door een populatie verspreidt, vertrouwen ze vaak op wiskundige modellen die mensen verdelen in groepen: zij die de ziekte kunnen oplopen, zij die momenteel ziek zijn, en zij die hersteld zijn. Deze modellen zijn krachtige instrumenten voor de volksgezondheid en helpen functionarissen bij het beslissen wanneer scholen gesloten moeten worden of vaccinatiecampagnes moeten worden gelanceerd. Deze modellen vereisen echter nauwkeurige getallen om correct te werken, zoals hoe snel een virus van de ene persoon naar de andere overgaat en hoe snel mensen herstellen. In de echte wereld is het verkrijgen van deze getallen moeilijk, vooral aan het begin van een uitbraak wanneer gegevens schaars zijn en de situatie snel verandert. Om dit op te lossen, hebben onderzoekers zich tot een type kunstmatige intelligentie gewend genaamd een physics-informed neural network. Denk aan dit als een computerprogramma dat leert complexe vergelijkingen op te lossen door naar echte gegevens te kijken, terwijl het tegelijkertijd wordt gedwongen de fundamentele wetten van de natuurkunde te volgen die bepalen hoe ziekten bewegen. De hoop is dat deze programma's de gaten kunnen vullen waar menselijke observatie tekortschiet, en zo een helder beeld kunnen geven van de onzichtbare stroom van infectie.
Een team van onderzoekers heeft onlangs onderzocht hoe goed deze tools voor kunstmatige intelligentie presteren tijdens de kritieke eerste dagen van een epidemie. Ze richtten zich op een specifieke fase die bekend staat als de exponentiële groeifase, de tijd waarin het aantal gevallen snel verdubbelt. Gebruikmakend van een standaardmodel voor ziekteverspreiding, voerden ze gedetailleerde computersimulaties uit om te zien of de AI in staat was de onderliggende regels van de uitbraak correct te identificeren. Wat ze ontdekten was een verrassende en gevaarlijke fout. De AI was vaak in staat om een perfecte match te produceren met het geobserveerde aantal zieke mensen, maar was volledig naast het doel wat betreft de verborgen details van de situatie. Het programma zou een reeks getallen vinden die perfect bij de gegevens pasten, maar die getallen beschreven een biologische realiteit die nooit had plaatsgevonden. Het was alsof de AI had geleerd om de onzichtbare onderdelen van het model aan te passen om zijn fouten te verbergen, terwijl het aan de oppervlakte toch correct leek.
De onderzoekers ontdekten dat dit probleem voortkomt uit de manier waarop de ziekte zich aan het begin gedraagt. Wanneer een uitbraak net begint, is bijna iedereen nog gezond en vatbaar voor het virus. Tijdens dit korte venster wordt de wiskunde die de verspreiding beschrijft zeer eenvoudig, omdat deze steunt op één enkele gecombineerde groeirate in plaats van op de afzonderlijke snelheden van infectie en herstel. Vanwege deze eenvoud zijn er talloze verschillende combinaties van infectie- en herstelsnelheden die exact dezelfde curve van stijgende gevallen kunnen produceren. De kunstmatige intelligentie, zoekend naar het beste antwoord, raakt in deze verwarring verdwaald. Het kan het verschil niet zien tussen een snel verspreidend virus met een snel herstel en een langzamer verspreidend virus met een traag herstel. De computer kiest simpelweg één combinatie die bij de gegevens past en gaat verder, zich er niet van bewust dat het een pad heeft gekozen dat biologisch gezien onmogelijk is.
Om het nog erger te maken, beschikt het neurale netwerk over een hoge mate van flexibiliteit. Wanneer het merkt dat het de verkeerde snelheid voor het virus heeft gekozen, geeft het niet simpelweg het duel op en probeert het opnieuw. In plaats daarvan vervormt het stilletjes de onzichtbare onderdelen van het model om de wiskunde kloppend te krijgen. Als de AI bijvoorbeeld raadt dat het virus te snel verspreidt, zal het kunstmatig het aantal gezonde mensen dat nog vatbaar is verlagen, waardoor een vals beeld ontstaat van een populatie die al bijna zonder potentiële slachtoffers zit. Hierdoor kunnen de vergelijkingen perfect in evenwicht worden gebracht, en blijft de afwijking in de verborgen getallen onopgemerkt omdat de zichtbare resultaten er nog steeds goed uitzien. De onderzoekers noemen dit fenomeen "dynamische compensatie", waarbij het systeem een foutieve gok compenseert door de waarheid te verdraaien op een manier die de vergelijkingen bevredigt maar de realiteit schendt.
De studie onderzocht ook hoe deze fouten zich gedragen wanneer de gegevens in kleinere tijdsblokken worden opgedeeld om de berekeningen te vergemakkelijken. Dit is een veelgebruikte techniek, maar de onderzoekers ontdekten dat dit een nieuw probleem creëert. Als de AI een fout maakt in de eerste paar dagen van een simulatie, wordt die fout definitief vastgelegd. Omdat het model wordt gedwongen om voort te gaan vanaf waar het gebleven was, wordt dit foutieve beeld van de populatie meegenomen naar de volgende periode. Zelfs als de AI later de juiste snelheid van het virus ontdekt, kan het de schade aan de verborgen getallen niet meer herstellen. De populatie gezonde mensen is in de simulatie al uitgeput, wat leidt tot een voortijdige beëindiging van de uitbraak die in de werkelijkheid nooit zou hebben plaatsgevonden. De onderzoekers beschrijven dit als een "latente schuld", een verborgen kostenpost van vroege fouten die zich opstapelt en uiteindelijk de langetermijnvoorspelling ruïneert.
De belangrijkste bevinding van de studie is dat de nauwkeurigheid van de verborgen begincondities veel belangrijker is dan de nauwkeurigheid van de snelheid van het virus. In de wereld van deze modellen is het juist krijgen van de initiële staat van de populatie de enkelvoudig belangrijkste factor voor een succesvolle voorspelling. Als de AI begint met een vertekend beeld van hoeveel mensen gezond zijn, kan geen enkele latere correctie de prognose nog redden. De studie suggereert dat de huidige methoden die worden gebruikt om deze systemen van kunstmatige intelligentie te trainen, niet voldoende zijn. Ze zijn te veel gericht op het minimaliseren van het verschil tussen de voorspelling en de gegevens, zonder te controleren of de verborgen onderdelen van het model biologisch zinvol zijn. De onderzoekers betogen dat toekomstige instrumenten gebouwd moeten worden met striktere regels die voorkomen dat de AI de onzichtbare variabelen verdraait om zijn fouten te verbergen. Zonder deze waarborgen zullen de modellen mogelijk doorgaan met het produceren van prachtige, perfect uitziende grafieken die tot gevolg hebben dat functionarissen voor de volksgezondheid beslissingen nemen op basis van een valse realiteit.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.