Eles dizem na teoria do caos que uma borboleta batendo suas asas no Brasil poderia involuntariamente criar um tornado no Texas. Bem, talvez seja. Mas esse tornado deve precisar de pelo menos algum tempo para se formar, dada a distância de 5.000 milhas entre as duas regiões. Esse atraso de tempo entre a causa e os efeitos nos padrões climáticos é bem aparente no exemplo menos dramatizado dos eventos El Niño (conforme explicado neste vídeo).
Esses eventos ocorrem aproximadamente a cada dois a sete anos. Mas quando o fazem, eles se acumulam ao longo de vários meses e seus efeitos podem levar vários meses para se espalhar pelo mundo. Em um sistema complexo como o clima global, o intervalo de tempo entre a causa e o efeito torna mais difícil identificar os principais atores que influenciam o sistema. A tarefa se torna ainda mais difícil quando o sistema é barulhento, como um padrão climático caprichoso e imprevisível. Mas agora, temos uma maneira de descobrir essas interações causais de longo prazo – apenas observando como o sistema se comporta ao longo do tempo.
Identificar interações causais defasadas no tempo é uma parte fundamental na compreensão e controle do comportamento de muitos sistemas complexos encontrados na natureza e na sociedade. El Niño é apenas um desses sistemas e existem muitos outros. Até o humilde ato de girar o botão do chuveiro enquanto nos ajustamos para a temperatura perfeita da água nos obriga a pensar em atrasos. Os ecossistemas se sustentam em ciclos de feedback formados por uma miríade de interações entre espécies, como predação, coexistência e intervenções humanas. Mesmo um ecossistema de pequeno porte com cerca de 20 espécies pode ter milhares dessas interações e, juntas, elas formam uma rede (como mostrado neste vídeo).
Mas as interações representadas pelos links de rede podem ser atrasadas – como o uso excessivo de pesticidas pode trazer os insetos de volta a longo prazo, como mostrado no vídeo. Os neurônios do cérebro coletam sinais elétricos de outros neurônios por algum tempo antes de decidirem disparar. Pandemias como a COVID costumam se espalhar por meio de contatos entre humanos. Mas os vírus passam um tempo latente nos corpos de seus hospedeiros, tornando o processo de propagação demorado. Assim como o rastreamento de contatos de pacientes com COVID é importante para deter a pandemia, a identificação de redes de interação retardadas entre diferentes partes de qualquer sistema é a chave para a compreensão desse sistema.
Para rastrear essas redes de interação defasadas no tempo a partir do comportamento de um sistema ao longo do tempo, usamos uma técnica baseada em inteligência artificial. Nosso método proposto é de duas etapas. Primeiro, treinamos uma rede neural para seguir e imitar o comportamento do sistema (veja a figura). Por exemplo, uma rede neural treinada para imitar um monte de neurônios reproduzirá seus padrões de disparo. Em seguida, propomos usar esse modelo de rede neural treinado como um modelo de computador proxy do sistema original. Dessa forma, é possível dar zoom dentro da rede neural, brincar com suas especificações e, por fim, verificar como as diferentes partes dela estão conectadas. Como isso já nos deu um modelo funcional do sistema real, essas conexões podem ser mapeadas diretamente para interações causais do próprio sistema, mesmo se forem defasadas. Isso revela as influências de longo prazo de uma parte do sistema em outra parte. Por exemplo, pode revelar como os neurônios em seu cérebro estão conectados, como uma tempestade de neve na minha cidade afeta a temperatura das cidades próximas e a identidade daquele super espalhador que deixou todos os participantes doentes. Depois de conhecer todas essas interações, podemos identificar os principais “influenciadores” que conduzem o comportamento de qualquer sistema complexo e usar essas informações para entender, prever ou controlar melhor o sistema em geral.
Testamos se essa ideia estava funcionando em nosso laboratório – criamos uma rede de quatro elementos optoeletrônicos que foram conectados por feedback atrasado. Amostramos as tensões desses quatro elementos (ou quatro “nós de rede”) ao longo do tempo, colocamos esses dados em nossa rede neural e tentamos ver se poderíamos reconstruir a rede original que criamos no laboratório apenas olhando dentro do sistema neural rede. No final das contas, poderíamos fazer isso perfeitamente na maioria dos casos, com uma ressalva: o problema era que as tensões desses quatro nós não podiam ser sincronizadas entre si.
A sincronização é um fenômeno comum na natureza (aqui está um vídeo de sincronização de cinco metrônomos acoplados por meio de uma plataforma móvel comum) e é possível sempre que vários sistemas são acoplados. Quando as tensões dos quatro nós estavam em sincronia, eles não podiam ser diferenciados um do outro e, como era de se esperar, não poderíamos obter nenhuma informação de sua rede subjacente. Porém, o ruído em nossos experimentos, que dificultava a sincronia em geral, nos ajudou muito. Uma vez que a maioria dos sistemas naturais contém múltiplas fontes de ruído, em geral, esperamos que nossa técnica seja útil para um grande número desses sistemas.
Portanto, projetamos e testamos uma técnica para entender como diferentes loops e redes de feedback com defasagem de tempo fundamentam o comportamento de um sistema multicomponente. Olhando para o futuro, planejamos aplicar essa técnica para descobrir essas redes de influência em sistemas naturais e artificiais – desde cérebros, ecossistemas, padrões climáticos globais e mercados de ações. Nosso trabalho, portanto, abre uma janela para obter novos insights sobre influenciadores de longo prazo e influências em sistemas complexos.
Publicado em 28/07/2021 01h58
Artigo original:
Estudo original: