Πριν ένα μήνα περίπου παρουσιάσαμε στο Cardiology News ένα μοντέλο πρόβλεψης COVID19 βασισμένο στην τεχνητή νοημοσύνη και μηχανική μάθηση που καθοδηγείται από την φυσική (physics informed machine leanring). Στην διάρκεια του μήνα που πέρασε χρησιμοποιώντας τις διαδικασίες που περιγράφονται το άρθρο κατατεθειμένο στο arXiv και υπό κρίση κάναμε εβδομαδιαίες προβλέψεις οι οποίες γίνονται τώρα κάθε Παρασκευή. Τα στοιχεία μας έχουν την μορφή που φαίνεται στο στο Σχήμα 1 όπου δίνουμε τις προβλέψεις για την εβδομάδα που έρχεται.
Σχήμα 1. Πρόβλεψη για μικρό ορίζοντα μιας εβδομάδας του αριθμού των κρουσμάτων στην Ελλάδα με χρήση μηχανικής μάθησης με Φυσική. Η πρόβλεψη (κίτρινοι ανοιχτοί κύκλοι) βασίζεται σε εκπαίδευση νευρωνικού δικτύου με πραγματικά δεδομένα (πράσινοι δίσκοι). Οι κίτρινοι δίσκοι δίνουν την συμπεριφορά του δικτύου κατά την διάρκεια της εκπαίδευσης του και τις αντίστοιχες προβλέψεις που κάνει για την περίοδο αυτή. Η περίοδος πρόβλεψης αφορά την 19-25 Σεπτεμβρίου 2020 και παρατηρείται μια αυξητική τάση στον αριθμό κρουσμάτων.
Όπως βλέπουμε στο Σχήμα 1, η πρόβλεψη αφορά πως κινείται ο αριθμός των κρουσμάτων Κοβιντ στο μέσο όρο. Για να δούμε πόσο καλά πηγαίνει το μοντέλο μας συγκρίνουμε στο Σχήμα 2 τις εβδομαδιαίες προβλέψεις που έγιναν μέχρι τώρα με τις πραγματικές τιμές των κρουσμάτων που δηλώθηκαν την εβδομάδα μετά την δική μας πρόβλεψη. Παρατηρούμε ότι σε γενικές γραμμές με τη συγκεκριμένη διαδικασία μπορούμε να παρακολουθήσουμε τι συμβαίνει στο μέσο όρο και να δούμε και την τάση του φαινομένου.
Σχήμα 2. Σύγκριση εβδομαδιαίων προβλέψεων εξέλιξης αριθμού κρουσμάτων στην Ελλάδα που έγινε σε εβδομαδιαία βάση από τις 22/8/20 μέχρι τη Παρασκευή 18/9/20 με τα πραγματικά δεδομένα κρουσμάτων που δηλώθηκαν στην συνέχεια. Παρατηρούμε ότι το μοντέλο παρακολουθεί την τάση του φαινομένου ικανοποιητικά.
Δεν υπάρχει τρόπος να προβλέψουμε το μέλλον αλλά αν χρησιμοποιήσουμε «έξυπνα» το παρελθόν μπορούμε να έχουμε μια αίσθηση για το τι μας περιμένει. Αυτό φαίνεται να μας λέει η μηχανική μάθηση η οποία με την βοήθεια της φυσικής μπορεί να μας βοηθήσει κάπως στην οργάνωση της ζωής μας .
Βιβλιογραφία: G. D. Barmparis and G. P. Tsironis, Physics-informed machine learning for the COVID-19 pandemic: Adherence to social distancing and short-term predictions for eight countries, arXiv 2008.08162.
Επιµέλεια-Συγγραφή: Γιώργος Τσιρώνης, Kαθηγητής Φυσικής και Διευθυντής του Ινστιτούτου Θεωρητικής και Υπολογιστικής Φυσικής του Πανεπιστηµίου Κρήτης, Τµήµα Φυσικής, Πανεπιστήµιο Κρήτης
