I cambiamenti nei dati, dalla popolazione della fauna selvatica ai livelli di ansia, possono essere un segnale di allarme precoce che un sistema sta raggiungendo una soglia critica, nota come punto di non ritorno, in cui tali cambiamenti potrebbero accelerare o addirittura diventare irreversibili.

Ma quali dati contano di più? E quali sono semplicemente solo rumore?

Un nuovo algoritmo sviluppato dai ricercatori dell’Università di Buffalo è in grado di identificare i punti dati più predittivi che indicano che si avvicina un punto critico. Dettagliato in Comunicazioni sulla natura , questo quadro teorico utilizza la potenza delle equazioni differenziali stocastiche per osservare la fluttuazione dei punti dati, o nodi, e quindi determinare quali dovrebbero essere utilizzati per calcolare un segnale di allarme precoce.

Le simulazioni hanno confermato che questo metodo era più accurato nel prevedere i punti critici teorici rispetto alla selezione casuale dei nodi.

"Ogni nodo è in qualche modo rumoroso - in altre parole, cambia nel tempo - ma alcuni potrebbero cambiare prima e in modo più drastico di altri quando un punto critico è vicino. Selezionare il giusto insieme di nodi può migliorare la qualità del segnale di allarme precoce, poiché e ci aiutano a evitare di sprecare risorse osservando nodi non informativi," afferma l'autore principale dello studio, Naoki Masuda, Ph.D., professore e direttore degli studi universitari presso il Dipartimento di Matematica dell'UB, all'interno del College of Arts and Sciences.

Lo studio è stato scritto in collaborazione da Neil Maclaren, ricercatore associato post-dottorato presso il Dipartimento di Matematica, e Kazuyuki Aihara, direttore esecutivo del Centro internazionale di ricerca per la neurointelligenza dell'Università di Tokyo.

Segnali di avviso collegati tramite reti

L'algoritmo è unico in quanto incorpora completamente la scienza delle reti nel processo. Sebbene negli ultimi vent'anni i segnali di allarme precoce siano stati applicati all'ecologia e alla psicologia, poche ricerche si sono concentrate su come tali segnali sono collegati all'interno di una rete, afferma Masuda.

Considera la depressione. Ricerche recenti hanno considerato questo e altri disturbi mentali come una rete di sintomi che si influenzano a vicenda creando cicli di feedback. Una perdita di appetito potrebbe significare la comparsa di altri cinque sintomi nel prossimo futuro, a seconda di quanto questi sintomi siano vicini nella rete.

"In qualità di scienziato delle reti, ritenevo che la scienza delle reti potesse offrire un approccio unico o forse addirittura migliore ai segnali di allarme precoce", afferma Masuda.

Considerando attentamente i sistemi come reti, i ricercatori hanno scoperto che selezionare semplicemente i nodi con le fluttuazioni più elevate non era la strategia migliore. Questo perché alcuni nodi selezionati potrebbero essere troppo strettamente correlati ad altri nodi selezionati.

"Anche se combiniamo due nodi con buoni segnali di allarme precoce, non otteniamo necessariamente un segnale più accurato. A volte combinando un nodo con un buon segnale e un altro nodo con un segnale di media qualità in realtà ci dà un segnale migliore," Masuda dice.

Sebbene il team abbia convalidato l'algoritmo con simulazioni numeriche, afferma che può essere facilmente applicato a dati reali perché non richiede informazioni sulla struttura della rete stessa; richiede solo due diversi stati del sistema in rete per determinare un insieme ottimale di nodi.

"Il prossimo passo sarà la collaborazione con esperti del settore come ecologisti, climatologi e medici per sviluppare e testare ulteriormente l'algoritmo con i loro dati empirici e ottenere informazioni dettagliate sui loro problemi", afferma Masuda.