ИИ против потопа: как спасти мегаполисы от подъема уровня моря

Исследователи из Принстонского и Ратгерского университетов применили обучение с подкреплением — метод, часто используемый для тренировки искусственного интеллекта, — чтобы доказать, что гибкие стратегии могут значительно повысить экономическую эффективность мер по защите городов, подобных Нью-Йорку, от последствий изменения климата.

Проблема заключается в том, что для смягчения последствий изменения климата требуются дорогостоящие и долгосрочные инвестиции. Существенная неопределенность, связанная с климатическими прогнозами, мешает политическим лидерам принимать решения о вложениях, которые должны защищать граждан на протяжении десятилетий. Сложность усугубляется огромным количеством переменных, которые влияют на любое такое решение, и тем фактом, что эти переменные могут меняться самым непредсказуемым образом.

В своей работе ученые рассматривают проблему наводнений, которые наносят все больший ущерб прибрежным районам США и всего мира. Правительства возводят береговые защитные сооружения, но они больше не могут полагаться на данные о прошлых катаклизмах для проектирования защиты, которая потребуется в будущем. Соавтор исследования Нин Линь, профессор Принстонского университета, объясняет, что защитные сооружения строятся для защиты прибрежных регионов на десятилетия вперед, в то время как долгосрочные климатические проекты крайне неопределенны. Он настаивает, что для борьбы с этой неопределенностью проектировщикам необходимо проявлять гибкость и быть готовыми адаптировать свои планы на основе будущих климатических наблюдений. По его мнению, использование достижений в области науки о данных может стать эффективной стратегией.

Роберт Копп, соавтор исследования из Ратгерского университета, добавляет, что неопределенность в отношении таяния ледниковых щитов и его влияния на уровень моря вызывает споры о том, как планировщикам следует учитывать возможность катастрофического сценария. Он считает, что гибкие подходы помогают сообществам готовиться к наихудшим вариантам развития событий, не переплачивая за защиту, которая может и не понадобиться. Однако, по его словам, «планирование на случай максимального подъема уровня моря обходится дорого, и, вполне вероятно, не будет необходимым, но отказ от такого планирования может иметь катастрофические последствия».

В рамках исследования команда смоделировала усилия по защите Манхэттена от повышения уровня моря до конца этого столетия. Цель состояла в том, чтобы определить, какой процесс принятия решений, систематически учитывающий новые наблюдения, окажется наиболее эффективным в долгосрочной перспективе. Для этого исследователи имитировали решения городских властей с интервалом в 10 лет до 2100 года. Они сравнили свой процесс, основанный на ИИ, с существующими методами, такими как строительство статической морской стены для защиты от исторического 100-летнего наводнения или возведение динамической стены, высота которой со временем увеличивается в соответствии с прогнозами.

Эффективность каждого метода оценивалась по сумме затрат на защитные сооружения и предполагаемого ущерба от наводнений. Результаты показали, что расчеты для динамической дамбы, основанные на обучении с подкреплением и систематическом учете наблюдений за уровнем моря, повышают эффективность по сравнению с другими методами. Подход с использованием ИИ позволил снизить общие затраты на 6–36% при сценарии с умеренными выбросами углерода. Для сценария с высокими выбросами экономия оказалась еще более значительной — от 9 до 77%.

Обучение с подкреплением — это тип машинного обучения, при котором программа принимает решения и получает положительное подкрепление в зависимости от результатов. Она учится методом проб и ошибок, прогоняя огромное количество смоделированных решений, а не следуя четким инструкциям. Этот метод особенно эффективен в очень сложных и быстро меняющихся ситуациях и уже используется для обучения ИИ игре в шахматы, вождению автомобилей и управлению роботами. Теперь его применяют и для крупных инфраструктурных систем.

В качестве примера исследователи рассмотрели предложения по защите низменных районов Манхэттена, в частности проект «Большая U» — серию дамб, предложенную Инженерным корпусом армии США после разрушительного урагана «Сэнди» в 2012 году. В исследовании оценивалось, как следует изменять планы строительства этих сооружений, чтобы реагировать на будущие угрозы.

Традиционно инженеры строили защитные системы, такие как дамбы и плотины, для противостояния историческим наводнениям. Однако из-за изменения климата такой подход больше не работает. Новая методика показала, что обучение с подкреплением может разрабатывать комплексные стратегии, включающие не только защиту, но и обустройство (например, гидроизоляцию домов) и даже организованное отступление из наиболее уязвимых низменностей. Такой многогранный подход обеспечивает сокращение затрат на 5–15% по сравнению со стратегией строительства только одной дамбы.

Нин Линь подчеркивает, что защита Манхэттена — задача чрезвычайно сложная, требующая принятия решений в условиях неопределенности. На каждом временном отрезке проектировщикам приходится учитывать наблюдаемый подъем уровня моря и около 80 000 сценариев его будущего роста. По его словам, обучение с подкреплением является высокоэффективной системой, которая позволяет оптимально использовать новые данные и обновлять планы, а также превосходит предыдущие методы, избегая потерь, вызванных непредсказуемыми изменениями в глобальных выбросах углерода. Майкл Оппенгеймер, еще один соавтор исследования, утверждает, что ситуация в Нью-Йорке не уникальна, и предложенный метод может применяться повсеместно.