Ядерный взрыв в Вашингтоне? Science, США

Одним майским днем в 11:15 утра обыкновенный фургон доставки въезжает на перекресток Шестнадцатой и Кей-стрит в центре Вашингтона, всего в паре кварталов к северу от Белого дома. Внутри фургона террористы-смертники нажимают на детонатор.

В ту же секунду весь квартал исчезает в ядерном шаре, размером в две трети того, что некогда накрыл Хиросиму. Несколькими неделями раньше террористы разжились пятью килограммами высокообогащенного урана. И и теперь взрыв охватывает по меньший мере километр в каждом направлении, сотни тысяч людей погибают мгновенно или же остаются умирать среди руин.

Электромагнитный импульс изжаривает сотовые телефоны в радиусе пяти километров, и в основной части города гаснет электричество. Ветры сбивают грибное облако от бомбы в шлейф радиоактивных осадков, который дрейфует на восток в пригороды в штате Мэриленд. Дороги быстро забиваются пробками — многие пытаются бежать, но еще больше разыскивают пропавших членов семьи или ищут медицинской помощи.

Конечно, это фикция, но цель ее вовсе нешуточная. Сценарий ядерной атаки, известный как NSP1, начал разрабатываться как учебная тревога в 1950-х, чтобы сотрудники госбезопасности и группы по чрезвычайным ситуациям могли оттачивать свои навыки перед лицом реальной угрозы.

Спустя шестьдесят лет, официальные лица по-прежнему высчитывают последствия ядерной катастрофы исходя из NPS1. Только теперь вместо заранее разработанных сюжетных линий, они используют продвинутые компьютерные модели целого общества для разработки альтернативных вариантов типа «что если». Это называется многоагентное моделирование.

Сегодняшняя версия NPS1 включает в себя цифровую симуляцию каждого здания в предполагаемой зоне действия бомбы, а также дороги, ЛЭП, больницы и даже вышки сотовой связи. В модель занесены данные о погоде для прогнозирования возможных радиоактивных осадков и их направления. Сценарий «заселен» примерно 730 000 агентами — искусственной популяцией, статистически идентичной реальному населению пострадавшего района по таким параметрам, как возраст, пол и профессия. Каждый агент является автономной подпрограммой, она максимально «очеловеченным» образом связана с других агентами, и по-своему реагирует на разворачивающуюся катастрофу, переключаясь между несколькими режимами поведения — например, «паника», «бегство» и «попытка найти членов семьи».

Смысл таких моделей в том, чтобы избежать описания человеческой деятельности «сверху вниз» при помощи фиксированных уравнений, как это принято в таких областях, как экономика и эпидемиология. Здесь же события, такие как финансовый крах или эпидемии, моделируются «снизу вверх», через взаимодействие многих людей, что приводит к правдоподобию, сопоставимому с реальностью, а также дает уровень спонтанности, сымитировать который иными способами практически невозможно.

Столь высокий уровень детализации — именно то, что нужно аварийному персоналу, говорит Кристофер Барретт (Christopher Barrett), специалист по вычислительной технике и руководитель Института сложных биологических систем при Политехническом институте штата Вирджиния и Государственном университете в Блэксбурге (штат Вирджиния), где и разработали модель NPS1 для правительства. Так, например, модель NPS1 может предупредить аварийщиков о том, что сбой питания в точке X может привести к неожиданной пробке в точке Y. Если будет принято решение развернуть передвижные вышки сотовой связи в ранние часы кризиса для восстановления связи, NPS1 предупредит, увеличится ли число гражданских лиц на дорогах или, наоборот, уменьшится. «Многоагентное моделирование позволяет расположить все части уравнения по отдельности и посмотреть на их взаимодействие», — объясняет Барретт.

Недостатком таких моделей является их громоздкость. Каждый запуск NPS1 требовал полутора суток работы компьютерного кластера с 500 микропроцессорами — и это при относительной простоте поведения агентов. «Существует некий базовый компромисс между сложностью отдельных агентов и размером модели», — объясняет Джонатан Пфаутц (Jonathan Pfautz), руководитель проекта при Агентстве перспективных оборонных исследований в Арлингтоне, штат Вирджиния.

Однако компьютеры становятся все сложнее и мощнее, как и наборы данных, используемые для заселения и калибровки моделей. В таких разнообразных сферах как экономика, транспорт, здравоохранение и городское планирование все больше и больше ответственных лиц присматриваются к многоагентному моделированию всерьез. «Это наиболее гибкие и детализированные из доступных моделей, — считает Айра Лонгини (Ira Longini), занимающаяся моделированием эпидемий во Флоридском университете в Гейнсвилле, — и по эффективности при разработке решений им нет равных».

Агентное моделирование восходит корнями по крайней мере к 1940-м годам, когда пионеры кибернетики, такие как Алан Тьюринг (Alan Turing), экспериментировали с программами локального взаимодействия для моделирования сложного поведения в физике и биологии. Нынешняя же волна развития началась лишь в середине 1990-х годов.

Одним из первых успех пришел к модлеи «Шугарскейп» (Sugarscape), разработанной экономистами Робертом Акстеллом (Robert Axtell) из Университета Джорджа Мейсона в Фэйрфаксе, штат Вирджиния и Джошуа Эпштейном (Joshua Epstein) из Нью-Йоркского университета. Поскольку задача их была смоделировать социальные явления на обычных настольных компьютерах, они максимально упростили схему, сведя ее к набору простых агентов, которые перемещались по сетке в поисках т.н. «сахара» — пищевого продукта, который в одних местах водился в изобилии, а в других практически отсутствовал. Вопреки своей простоте, эта схема положила начало удивительно сложным моделям группового поведения в таких темах как, например, миграция, соперничество и сегрегация отдельных районов.

Другой важной вехой 1990-х годов стала система анализа и моделирования транспорта «Трансимз» (Transims), разработанная Барретом и его коллегами в Национальной лаборатории в Лос-Аламосе, штат Нью-Мехико. В отличие от традиционных моделей дорожного движения, использовавших уравнения для описания массового перемещения транспортных средств наподобие жидкости, «Трансимз» моделировал каждый автомобиль и его водителя отдельно в виде агента, передвигающегося по дорожной сети города. Модель включала в себя реалистическое сочетание автомобилей, грузовиков и автобусов, управляемых людьми с реалистическим набором возрастов, водительских умений и мест назначения. При работе с реальными дорожными сетями в реальных городах система «Трансимз» прогнозировала пробки и локальные уровни загрязнения лучше традиционных моделей — благодаря чему последующие модели, созданные на ее основе, стали стандартным инструментом для планирования перевозок.

Похожий прорыв произошел и в эпидемиологии. На протяжении б?льшей части прошлого столетия специалисты оценивали вспышки той или иной болезни по сравнительно простому набору уравнений. Люди делились на несколько категорий — такие как восприимчивые, заразные и неуязвимые. В довершение прочего, раньше исходили из идеального смешения, то есть что все в пострадавшем регионе находятся в контакте друг с другом. Эти модели на основе уравнений сначала записывались на бумаге, а затем прогонялись через компьютер — и по-прежнему широко используются. Однако эпидемиологи все чаще обращаются к агентным моделям, которые включают факторы, не берущиеся в расчет уравнениями, такие как география, транспортные сети, семейная структура и изменение поведения — а ведь все они могут сильно повлиять на распространение болезни. Например, во время вспышки вируса Эбола в 2014 году в Западной Африке группа «Вирджиния Тек» (Virginia Tech) использовала многоагентную модель, чтобы помочь военным подразделениям США определить оптимальные места для полевых госпиталей. Планировщикам было необходимо знать, где инфицированность достигнет пика, когда смогут прибыть мобильные части, как далеко и как быстро пациентов можно будет переправлять в больницы по заведомо плохим дорогам региона — а также множество других проблем, которые попросту невозможно учесть в уравнениях традиционных моделей.

В еще одном случае лаборатория Эпштейна при Нью-Йоркском университете сотрудничала с отделом здравоохранения для моделирования потенциальных вспышек вируса Зика, который распространяется комарами и вызывает необратимые врожденные дефекты. Группа разработала модель с восемью с половиной миллионами агентов — по числу чителей Нью-Йорка. Кроме того, учитывался размер комариной популяции исходя из числа ловушек. Модель также включала в себя данные о перемещении людей между домом, работой, учебными заведениями и магазинами, их сексуальное поведение (Зика может распространяться через незащищенный секс), а также факторы, влияющие на популяцию комаров, такие как сезонные колебания температуры, количество осадков и места размножения, как, например, свалки старых шин. В результате стало возможным не только предсказать худший сценарий эпидемии (его эпидемиологи могли вычислить и из уравнений), но и определить самые «горячие точки».

В экономике агентное моделирование может стать мощным инструментом для понимания глобальной бедности, считает экономист Всемирного банка в Вашингтоне, округ Колубмия, Стефан Аллегат (St?phane Hallegatte). Если рассматривать лишь стандартные показатели, такие как валовый внутренний продукт (ВВП) и общий доход, то чаще всего в статистику попадают лишь одни богатые: у бедняков денег так мало, что они едва учитываются, отмечает он.

Чтобы получить более нюансированную картину, Аллегат и его коллеги рассматривают отдельные семьи. Его команда выстроила модель с 1.4 миллионом домашних хозяйств по всему миру (примерно по 10 тысяч на каждую страну) и посмотрела, как изменение климата и стихийные бедствия могут сказаться на здоровье, продовольственной безопасности и производительности труда. Модель также оценивает, как бури или засуха могут повлиять на урожайность сельскохозяйственных культур и рыночные цены, или же как землетрясение может подорвать доходы фабричных рабочих, уничтожив их автомобили, дороги или даже сами фабрики.

Вывод напрашивается сам собой: бедняки значительно более уязвимы перед лицом стихийных бедствий и изменений климата, чем богатые. И все же команда Аллегата обнаружила примечательное исключение. Если большинство бедняков в той или иной стране — земледельцы, они даже могут выиграть от изменения климата, если мировые цены на продовольствие поползут вверх. Однако же если бедняки, напротив того, ютятся в больших городах, ничего кроме беды от роста цен можно не ждать.

По словам Аллегата, такая степень детализации позволила Всемирному банку приспособить свои рекомендации к потребностям каждой страны. Кроме того, объяснять результаты моделирования стало проще человеческим языком вместо жаргона экономистов. «Вместо того, чтобы сообщить, что изменение климата снизит ВВП на Х%, — рассказывает он, — вы просто-напросто скажете, что 10 миллионов человек окажутся за чертой бедности. Такие числа понять гораздо проще».

Учитывая, сколько всего поставлено на карту в этих симуляциях, объясняет Барретт, пользователи всегда хотят знать, можно ли этим результатам вообще доверять — и если да, то почему. Откуда, мол, им знать, что прогноз правдивый — особенно в случаях наподобие ядерных катастроф, где эмпирические данные попросту отсутствуют?

По словам Баррета, на этот вопрос есть несколько ответов. Во-первых, пользователям не следует ждать, что модели дадут им конкретные прогнозы: мол, фондовый рынок, обрушится в следующий вторник. Вместо этого большинство специалистов учитывает неизбежные неопределенности путем усреднения каждого сценария за множество прогонов и отображения вероятного диапазона результатов — примерно как это делается при прогнозировании ураганов. Это позволяет планировщикам использовать модель как полигон для отработки решений типа А, B или C и их последствий.

Во-вторых, объясняет Баррет, мало просто создать модель и прикинуть, имеют ли ее конечные результаты смысл. Модель должна проверяться по мере ее создания, рассматривая каждый элемент по отдельности. Всякий алгоритм, например, как люди едут на работу и с работы, должен быть сопоставлен с реальными данными от транспортных агентств, переписей и других источников. «На каждом этапе есть данные, подлежащие калибровке», — говорит он.

Калибровать следует и поведение самих агентов, используя психологические исследования. Это трудная задача, ведь поведенческие механизмы сложны, однако симулировать кризисные ситуации все же несколько проще, поскольку круг задач значительно сужается. Так, например, модель NPS1 реализуется со встроенными правилами: агенты перемещаются лишь с несколькими базовыми целями, как, например, «поиск медицинских услуг», «поиск убежища» и «эвакуация».

Тем не менее, полевые исследования демонстрируют ряд ключевых моментов, говорит Джули Дагдейл (Julie Dugdale), исследователь искусственного интеллекта в Гренобльском университете во Франции, специализирующаяся на поведении в условиях стресса. «Мы обнаружили, — говорит она, — что при землетрясениях люди гораздо больше самого катаклизма боятся остаться без семьи и друзей». Люди с готовностью пустятся навстречу любой опасности, лишь бы найти своих близких. То же самое касается и пожаров, отмечает Дагдейл. Инженеры почему-то склонны считать, что когда срабатывает пожарная сирена, все дисциплинированно отправляются к выходам. Но вы просто понаблюдайте в следующий раз, как все ведут себя люди при пожарной тревоге: никто не эвакуируется, не поговорив с другими, а если надо, еще и отправится на поиски семьи и друзей, говорит она.

Есть данные, что слепая и полностью бездумная паника в действительности случается крайне редко. В своей многоагентной модели, опубликованной в 2011 году, социолог Бен Агирре (Ben Aguirre) и его коллеги из Университета штата Делавэр в Ньюарке попытались воспроизвести пожар в ночном клубе в Род-Айленде в 2003 году. Началась давка, и погибло 100 человек. Благодаря полиции, местной газете и показаниям выживших, команда Агирре получила исчерпывающий список жертв, а также отчеты об их поведении при пожаре и отношениях друг с другом. После того, как эти данные были включены в модель, в симуляциях, оказавшихся ближе всего к реальному пожару, паники практически не наблюдалось. «Мы выяснили, что люди пытались выбраться наружу вместе с друзьями, коллегами и близкими, — говорит Агирре, — никто не желал навредить другому, это была чистая случайность».

Эти механизмы включены и в модель NPS1, чьи агенты в режим «восстановления семьи» (поиск близких и друзей) пускаются гораздо чаще, чем в режим паники (бесцельная беготня и суета). И иногда результаты оказываются парадоксальны. Например, модель говорит, что аварийщики должны быть готовы к тому, что сразу после взрыва атомной бомбы многие помчатся к эпицентру в безумной попытке забрать детей из школы или найти пропавшего супруга — что приведет к заторам. Модель также указывает действенный способ уменьшить хаос: оперативно восстановить сотовую связь, чтобы все могли быстро убедиться, что их близкие в безопасности.

Поэтому первостепенная задача разработчиков моделей — упростить разработку, запуск и использование симуляций, не в последнюю очередь для того, чтобы сделать их более доступными для людей, принимающих решения в реальном мире.

Эпштейн, например, предвидит появление национальных центров, где ответственные смогут получить доступ к «петабайтам схем». Это будет библиотека с цифровыми версиями всех больших городов с заранее разработанными моделями практически любой потенциальной опасности. «И тогда, если что-нибудь в самом деле случится, выпадут ядерные осадки или что-то вроде того, мы выберем максимально близкую симуляцию, чтобы почти в реальном времени рассчитать параметры эвакуации либо, наоборот, развернуть убежища на месте», — говорит он.

Специалист компании «Вирджиния Тек» по вычислительной технике Мадхав Марате (Madhav Marathe) придерживается того же мнения. По его словам, если надвигается ураган пятого уровня, у мэра Сан-Хуана попросту нет времени ждать неделю, пока будет готов анализ его последствий для электросетей Пуэрто-Рико. Здесь нужна информация, применимая на практике, а это, в свою очередь, означает модели с простым интерфейсом, которые бы работали в облаке и выдавали ли сложную аналитику за короткий промежуток времени.

Марате говорит, что многоагентное моделирование в будущем станет доступной услугой. Его лаборатория последние четыре года тестирует веб-инструмент, позволяющий чиновникам системы здравоохранения строить симуляции эпидемий и делать некие выводы самостоятельно, без помощи программистов. Всего в несколько щелчков пользователь может задать ключевые переменные, указав область интереса (от одного города до всей территории США) и тип заболевания (грипп, корь, Эбола или другое). Затем, используя встроенные карты и графики, пользователь может пронаблюдать за симуляцией в действии и воочию видеть эффект от предложенных методов лечения.
 
Хоть он и заточен под прогнозирование эпидемий, говорит Марате, основные географические модели инструмента и его искусственные популяции являются общими для всей страны, а значит, могут быть применены и к другим видам бедствий, например, химическим разливам, ураганов и каскадные аварии электросетей. Идеальная цель, отмечает он – добиться создания индивидуализированных моделей для вас, вашей семьи или вашего города. Или, как это сформулировал Барретт: «если я сегодня отправлю Джимми в школу, какова вероятность, что он там подцепит вирус Зика?».
 
Так что системами этими будут пользоваться вовсе не бюрократы, а обычные люди, вроде меня или вас, отмечает Баррет и добавляет: «И они станут такой же обыденностью, как Google Maps.

Источник: inosmi.ru