Hogyan függ össze a járványokkal az önvezető autózás?

Megértéstől az irányításig: így modellezik a járványokat a magyar kutatók.

Forrás: Shutterstock

Elsőre kevés dolog tűnik távolibbnak egymástól, mint egy influenzavírus és egy önvezető autó. Az egyik láthatatlanul terjed az emberek között, a másik érzékelőkkel és szabályokkal próbál eligazodni a közlekedésben. Mégis van bennük valami közös: mindkettő összetett, dinamikus, és nehezen kiszámítható rendszerben működik. A HUN-REN SZTAKI Rendszer- és Irányításelméleti Kutatólaboratóriumának (SCL) kutatói pontosan az ilyen rendszerek megértésén dolgoznak – és azon, hogyan lehet gyorsan és hatékonyan reagálni akkor is, ha minden körülményt nem tudunk befolyásolni.

A Rendszer- és Irányításelméleti Kutatólaboratórium elsősorban az önvezető autókkal és drónokkal kapcsolatos kutatásairól ismert. A laborban olyan matematikai modelleket fejlesztenek, amelyek segítségével a gépek emberi beavatkozás nélkül, bizonytalan, folyamatosan változó környezetben is biztonságos döntéseket tudnak hozni. A Covid–19 járvány idején azonban ugyanez a gondolkodásmód – a komplex, dinamikus rendszerek, a visszacsatolás és az irányítás elmélete – új területen bizonyult hasznosnak: a járványok terjedésének megértésében és kezelésében.

A pandémia elején a kutatók világszerte próbálták értelmezni az egyre változó adatokat. A Szegedi Tudományegyetem matematikusai olyan modelleket készítettek, amelyek leírják, hogyan terjed a vírus. A laboratórium kutatói ezekre építve vizsgálták, milyen beavatkozásokkal lehet a járvány lefutását irányítani.

Egy járványt bizonyos értelemben ugyanúgy kezelhetünk, mint egy bonyolult műszaki rendszert – egy erőművet vagy akár egy nagyváros közlekedését

– mondja Péni Tamás, az SCL kutatója. – Maga a vírus persze nem irányítható, de az, ahogyan reagálunk rá – mikor, milyen eszközökkel és milyen mértékben avatkozunk be – már igen.

A modellek segítségével meg tudták becsülni, hogy a korlátozások, a tesztelés vagy később az oltások milyen hatással lehetnek a fertőzésszámokra és a kórházi kapacitásokra. A cél nem egyszerűen az előrejelzés volt, hanem a járványra adott válaszok stratégiai tervezése: olyan megoldások keresése, amelyek megvédik az emberek egészségét, miközben a gazdasági és társadalmi következményeket is mérséklik. Mérnöki szempontból ez egy optimalizálási feladat: megtalálni az egyensúlyt a túl finom és a túl drasztikus beavatkozás között.

Bonyolult rendszerek leegyszerűsítése mesterséges intelligenciával

Egy járvány nemcsak biológiai, hanem társadalmi folyamat is. Az emberek mozognak, találkoznak, változtatják a szokásaikat, vagy éppen megszegik a szabályokat. A járvány modellezésekor akár egy egész város működését le lehet utánozni. Ezt hívják multiágens modellnek, amelyben minden lakost egy „digitális iker” képvisel, a maga napi rutinjával és véletlenszerű találkozásaival. Ezek a modellek a lehető legpontosabban próbálják visszaadni a valóságot: minden bevásárlás, iskolába menet vagy családi látogatás egy újabb fertőzési láncot indíthat el.

Az ilyen részletes modellek megmutatják, hogyan alakulnak ki a fertőzések az emberi kapcsolatok hálójában. Ugyanakkor éppen részletességük miatt lassan és nehezen kezelhetők, így nem alkalmasak gyors döntések támogatására.

Ezért az SCL kutatói egy sokkal egyszerűbb, neurális hálózaton alapuló modellt készítettek, amely a részletes szimulációk adataiból tanul. Ahelyett, hogy emberek millióit szimulálná, ez a megoldás matematikai összefüggésekké sűríti a járvány viselkedését. Nem írja le minden egyes esemény részleteit, de megmutatja a lényeges mintázatokat – például, hogyan reagál a járvány különböző beavatkozásokra –, és mindezt gyorsan, hatékonyan képes kiszámítani.

Így kezelhető a bizonytalanság

A legjobb modell sem tökéletes, különösen, mivel a való életben a járványadatok gyakran hiányosak, késve érkeznek, sőt néha ellentmondásosak is lehetnek. A döntések hatása sokszor csak hetekkel később mérhető. Az ilyen bizonytalanságok felismerése és kezelése a szabályozás egyik alapja. A HUN-REN SZTAKI SCL munkája segített meghatározni, hogy mi az a minimális beavatkozás, amit meg kell tenni, és mi az a maximum, ami gazdasági és társadalmi szempontból még elfogadható. Így segített az irányításelméleti megközelítés átláthatóbbá és kiszámíthatóbbá tenni az alapvetően kaotikus járványhelyzetet. Péni Tamás:

Mozgó célpontot próbálunk eltalálni. Ma kiszámítunk egy előrejelzést, de egy hét múlva már új adatok jönnek, és mindent újra kell számolni.

A kutatók ezért folyamatos visszacsatolásra építik a modelljeiket, majd az új adatok alapján frissítik a modellt és újra lefuttatják az előrejelzéseket. Ez az irányításelmélet körforgása: mérés, kiértékelés, korrekció, újratervezés. Ez a gondolkodásmód ismerős a HUN-REN SZTAKI SCL mérnökeinek, hiszen ugyanígy stabilizálnak repülőgépeket vagy irányítanak robotokat.

– Nem a bizonytalanságot akarjuk megszüntetni, ez lehetetlen is volna. A cél az, hogy a rendszer a bizonytalanságok közepette is jól működjön – fogalmaz Péni Tamás.

A járványon túl: tartós tanulságok

A HUN-REN SZTAKI nem egyedül dolgozik ezen a területen: a járványok modellezése mögött szélesebb, országos kutatói együttműködés áll. Az Egészségbiztonság Nemzeti Laboratórium célja, hogy összefogja a hazai kutatócsoportokat, és megalapozza az adatokra és elemzésekre épülő döntéshozatalt az egészségügy, a járványmegelőzés és az ökológiai rendszerek területén. A konzorciumot a Szegedi Tudományegyetem vezeti, partnerei között pedig ott van többek között a Semmelweis Egyetem, a Pázmány Péter Katolikus Egyetem, valamint a HUN-REN SZTAKI is.

A kutatások tanulságai pedig messze túlmutatnak a járványokon. Az kifejlesztett modellezési és optimalizálási eljárások más problémák megoldására is használhatók – például drónok útvonaltervezésében vagy autonóm járművek irányításában. Azt a módszert, ahogyan a járvány terjedési modelljét neurális hálózatokra egyszerűsítették, ma már más mérnöki rendszerek vizsgálatában is alkalmazzák. A járvány tanulságai tehát azt is lehetővé teszik, hogy a jövőben az egyre okosabb gépek hálózata biztonságosan irányítható legyen még akkor is, ha a környezet sosem tökéletesen kiszámítható.