Wyobrazić sobie niewidzialną skrajność: statystyczny zakład MIT i jego matematyczna cena

Prognozowanie zjawisk pogodowych bez historycznego precedensu to jedno z najtrudniejszych zadań dla modeli opartych na danych — ich niepewność wybucha właśnie tam, gdzie brakuje wcześniejszych przykładów. Aby przekroczyć tę granicę, praca opublikowana 20 sierpnia 2026 roku w Nature Communications, zatytułowana „Extreme Event Aware (η-) Learning” (artykuł s41467-026-76811-x), proponuje związać uczenie statystyką obserwabli wskazującej stopień ekstremalności. Autorzy — doktorant Kai Chang i profesor Themis Sapsis z MIT Center for Computational Science and Engineering — wprowadzili to ograniczenie jako człon 1-Wassersteina w funkcji straty. Jak Kai Chang wyjaśnił MIT News, celem jest „modelowanie zdarzeń ekstremalnych i bezprecedensowych, których nikt nigdy nie widział i których nie ma w zbiorze danych”.

Skuteczność metody sprawdzono na zadaniu downscalingu opadów na zbiorze ERA5-Land: godzinowa suma opadu nad kontynentalnymi Stanami Zjednoczonymi w latach 1999-2023, agregowana do map dobowych. Przestrzenną część modelu trenowano wyłącznie na pierwszych sześciu miesiącach serii — okresie, który według MIT nie zawierał praktycznie żadnych przykładów opadów ekstremalnych. Ocenę przeprowadzono na 9044 sparowanych mapach w wysokiej i niskiej rozdzielczości. Podejście powstało po to, by planiści mogli oszacować liczbowo najgorsze scenariusze bez historycznego precedensu, jak przywoływana przez Themisa Sapsisa „Katrina zdarzająca się raz na sto lat”. Komunikat MIT ujmuje problem w pytanie: jeśli najbardziej ekstremalny opad zanotowany kiedykolwiek w Nowym Jorku to 200 milimetrów, jaka burza dałaby 300? To sformułowanie pytania, a nie wynik wyprodukowany przez model.

Zdolność sięgania poza dane historyczne ma jednak swoją cenę w wierności punktowej. Według liczb z preprintu na arXiv (porównanie z ostateczną wersją w Nature Communications nie było możliwe z powodu paywalla) wprowadzenie ograniczenia statystycznego obniża wierność punktową względem standardowego treningu opartego wyłącznie na błędzie średniokwadratowym (MSE). Na całym polu pierwiastek błędu średniokwadratowego (RMSE) rośnie z 2,878 do 3,112 (+8,13%), a wskaźnik podobieństwa strukturalnego (SSIM) spada z 0,947 do 0,944. Na podzbiorach ogona — kwantyle ≥0,95, ≥0,975 i ≥0,99 — wzrost RMSE wynosi od 9,21% do 10,30%, podczas gdy strata SSIM pozostaje poniżej 0,48%. Na podzbiorach bulk RMSE rośnie o 6,20-6,92%: dokładność pogarsza się wszędzie, ale najbardziej dokładnie tam, gdzie metoda miała wnieść swój wkład. Wśród ograniczeń przyznanych przez samych autorów są: niemożność jednoznacznego określenia przestrzennego położenia zdarzeń ekstremalnych na podstawie skalarnej obserwabli, krytyczna zależność od poprawnego zadania rozkładu odniesienia oraz brak identyfikacji fizycznych mechanizmów generujących zjawiska.

Praca, sfinansowana przez Vannevar Bush Faculty Fellowship oraz U.S. Air Force Office of Scientific Research, otwiera teoretyczne zastosowania także w nawigacji robotów i na rynkach finansowych. Metodę zademonstrowano na jednej zmiennej, opadzie, i jednym obszarze, kontynentalnych Stanach Zjednoczonych, na danych reanalizy zamiast bezpośrednich obserwacji; samo MIT pisze, że rozszerzenie jej na inne zagrożenia wymaga statystyk i map specyficznych dla danego zagrożenia. Nie ma żadnej niezależnej walidacji spoza grupy autorskiej ani zastosowania operacyjnego przez służby ochrony ludności czy agencje meteorologiczne.

Kompromis jest zadeklarowany: kilka punktów procentowych dokładności oddanych wszędzie w zamian za scenariusze, których dane historyczne nie zawierają. Czy się opłaca, zależy od tego, jak bardzo wybrany z góry rozkład odniesienia przypomina rzeczywistość — dokładnie ten punkt, który autorzy sami wskazują jako krytyczny.

— Olya