Уявити невидиму крайність: статистична ставка MIT і її математична ціна

Прогнозувати погодні явища без історичних прецедентів — одне з найважчих завдань для моделей, що навчаються на даних: їхня невизначеність вибухає саме там, де минулих прикладів немає. Щоб подолати цю межу, дослідження, опубліковане 20 серпня 2026 року в Nature Communications під назвою «Extreme Event Aware (η-) Learning» (стаття s41467-026-76811-x), пропонує зв'язати навчання статистикою спостережуваної величини, що вказує на ступінь екстремальності. Автори — аспірант Кай Чан і професор Теміс Сапсіс із MIT Center for Computational Science and Engineering — ввели це обмеження як 1-вассерштейнівський член у функцію втрат. Як пояснив Кай Чан виданню MIT News, мета в тому, щоб «моделювати екстремальні та безпрецедентні події, яких ніхто ніколи не бачив і яких немає в наборі даних».

Метод перевірили на завданні даунскейлінгу опадів на наборі даних ERA5-Land: погодинні суми опадів над континентальними Сполученими Штатами з 1999 до 2023 року, зведені в добові карти. Просторову частину моделі навчали виключно на перших шести місяцях ряду — на відрізку, який, за даними MIT, майже не містив прикладів екстремальних дощів. Оцінювання провели на 9044 парах карт високої та низької роздільності. Підхід виник, щоб допомогти проєктувальникам оцінювати в цифрах найгірші сценарії без історичних прецедентів — на кшталт згаданої Сапсісом «Катріни, що трапляється раз на сто років». Пресреліз MIT формулює проблему запитанням: якщо найсильніший дощ, коли-небудь зафіксований у Нью-Йорку, — 200 міліметрів, то який шторм дав би 300? Це постановка запитання, а не результат, отриманий моделлю.

Здатність виходити за межі історичних даних має, однак, свою ціну — точність у кожній точці поля. За цифрами препринта на arXiv (порівняти їх з остаточною версією в Nature Communications не вдалося: вона за платним доступом), запровадження статистичного обмеження знижує поточкову точність порівняно зі звичайним навчанням лише на середньоквадратичній похибці (MSE). По всьому полю середньоквадратична похибка (RMSE) зростає з 2,878 до 3,112 (+8,13%), а індекс структурної подібності (SSIM) падає з 0,947 до 0,944. На хвостових підмножинах — квантилі ≥0,95, ≥0,975 і ≥0,99 — приріст RMSE становить від 9,21% до 10,30%, тоді як втрата SSIM лишається нижчою за 0,48%. На основних підмножинах RMSE зростає на 6,20-6,92%: точність гіршає всюди, але найдужче саме там, де метод мав би давати свій внесок. Серед обмежень, які визнають самі автори, — неможливість однозначно визначити просторове положення екстремальних подій зі скалярної спостережуваної, критична залежність від коректного задання опорного розподілу та відсутність ідентифікації фізичних механізмів, що породжують ці події.

Робота, профінансована стипендією Vannevar Bush Faculty Fellowship та Управлінням наукових досліджень ВПС США, теоретично відкриває застосування також у навігації роботів і на фінансових ринках. Метод продемонстровано на одній змінній — опадах — і одній території, континентальних США, до того ж на даних реаналізу, а не на прямих спостереженнях; сам MIT пише, що перенесення на інші небезпеки потребує статистик і карт, специфічних саме для тієї небезпеки. Незалежної перевірки поза авторською групою немає, як немає й операційного застосування службами цивільного захисту чи метеоагенціями.

Компроміс заявлено відкрито: кілька відсоткових пунктів точності, віддані всюди, в обмін на сценарії, яких історичні дані не містять. Чи варто воно того, залежить від того, наскільки обраний наперед опорний розподіл схожий на дійсність, — саме той пункт, який автори називають критичним.

— Olya