11 April 2023, 18:00 Ольга Кедук

Математики научили ИИ прогнозировать экономические кризисы и управлять ими

Российские ученые совместно с зарубежными коллегами обучили искусственный интеллект выявлять внутри экономических моделей скрытые нерегулярные колебания, которые могут быть предвестниками кризисов, и подбирать способы управления ими. Разработанный подход позволит использовать возможности искусственного интеллекта при принятии экономических решений с учетом скрытых факторов.

Математики научили ИИ прогнозировать экономические кризисы и управлять ими
Source: Scott Graham / Unsplash

На состояние экономики влияет множество различных факторов. Иногда это могут быть совсем неожиданные и редкие события, так называемые «черные лебеди». Одно из них — появление нового вируса — в 2020 году привело к сокращению мировой экономики на 4,3%, что в 2,5 раза больше, чем во время глобального финансового кризиса 2008-2013 годов. При этом нарушить стабильность системы могут не только глобальные вызовы, такие как пандемия, изменение климата, разработка и массовое внедрение новых технологий, изменения структуры экономики, но и менее масштабные явления. Вызывать эффект «черного лебедя» способны факторы, уже существующие внутри самой системы, предопределенные ее конструкцией, сложными взаимосвязями элементов и механизмом функционирования — например, сопровождающие периоды подъема и спада в экономике или возникновение финансовых пузырей. Подобные критические состояния и даже предвестники катастроф до определенного момента могут быть скрыты и проявляться без явного влияния внешних случайных факторов. Однако, проявляясь, они способны привести к труднопрогнозируемому, в том числе хаотическому поведению системы. Теория скрытых колебаний, недавно предложенная учеными, предполагает, что такие состояния можно выявлять еще до того, как они успели повлиять на работоспособность механизма, а также подбирать управленческие решения, которые сведут к минимуму негативные последствия хаотических процессов и помогут избежать кризиса.

Коллектив ученых из Санкт-Петербургского государственного университета (Санкт-Петербург), Института проблем машиноведения РАН (Санкт-Петербург) и Санкт-Петербургской школы физико-математических и компьютерных наук Национального исследовательского университета Высшая школа экономики (Санкт-Петербург) совместно с зарубежными коллегами испытали метод выявления нерегулярных колебаний и управления ими в экономических системах. В своем исследовании авторы использовали известную модель перекрывающихся поколений нобелевских лауреатов Пола Самуэльсона (1970) и Питера Даймонда (2010). Она воспроизводит процесс развития общества с двумя поколениями – молодых и пожилых, в условиях некоторой экономики в течение времени жизни этих поколений. Также была рассмотрена модель ценообразования с учетом территориального расположения рынков с сетью связей. С ее помощью описали сложную хаотическую динамику формирования цен на продовольственных рынках в течение длительного времени, которая характерна, например, для рыбных рынков.

«Мы применили новые аналитико-численные методы изучения динамики и алгоритмы искусственного интеллекта в рамках концепций теоретической экономики. Основываясь на традиционных моделях со сложной динамикой, мы сформулировали для искусственного интеллекта задачу прогнозирования и управления поведением этих моделей. Вклад человека в этой работе все еще превалирует над ролью компьютера: мы ставим задачу и адаптируем аналитические методы, чтобы их воспринимал вычислительный алгоритм, сообщаем начальные данные и приблизительную область, в которой прогнозируется решение. Но помощь компьютера огромна, потому что человеку такое количество данных не просчитать в обозримом времени», — рассказывает соавтор исследования, поддержанного грантом РНФ, Татьяна Алексеева, кандидат физико-математических наук, доцент, заместитель руководителя департамента математики Санкт-Петербургской школы физико-математических и компьютерных наук НИУ ВШЭ, академический руководитель образовательной программы «Экономика» Санкт-Петербургской школы экономики и менеджмента НИУ ВШЭ.

Для выполнения расчетов ученые использовали эволюционные алгоритмы и машинное обучение с подкреплением — направления искусственного интеллекта, которые предполагают самообучение компьютерной программы в процессе решения задачи. Алгоритм не просто предлагает тот или иной вариант, но и учитывает свой прошлый опыт успешных или ошибочных ответов. Чтобы обработать весь объем информации, ученые использовали самые современные на момент проведения исследования (2020-2021 гг.) суперкомпьютеры в Европе. Машины из Национального суперкомпьютерного центра в Остраве (Чехия) затратили на решение задачи 48 часов, в то время как обычному компьютеру потребовалось бы для этого более 17 лет.

В рамках исследования ученые рассмотрели теоретически смоделированные экономические системы, однако предложенный ими подход применим в том числе для анализа реальных макро- или микроэкономических явлений. Это позволяет расширить набор вычислительных технологий и точнее их настраивать для прогнозирования динамики показателей в задачах разных участников экономической деятельности. Например, дает возможность предвидеть, какими могут быть колебания курсов валют или процентной ставки в течение конкретного периода времени. Если диапазон колебаний становится слишком широким, то искусственный интеллект поможет подобрать управляющее действие и его степень, позволяя сузить этот диапазон, уменьшить число рисков и сделать ситуацию более предсказуемой, чтобы она не привела к кризису.

«Алгоритм не дает готового ответа и, конечно, не позволяет полностью прогнозировать экономику. Люди, принимающие решения, во многом руководствуются своей профессиональной интуицией. Но она опирается на их опыт и знания и разные вспомогательные инструменты: теоретические модели, поведение и характер показателей, численные эксперименты. Наш подход пополняет спектр инструментов, которые делают сложную, многогранную, с большим количеством разнообразных связей систему экономики более предсказуемой, управляемой и, тем самым, более понятной для человека», — рассказывает автор теории скрытых колебаний, руководитель проекта, поддержанного грантом РНФ, Николай Кузнецов, доктор физико-математических наук, член-корреспондент РАН, руководитель Ведущей научной школы Российской Федерации в области математики и механики, заведующий кафедрой прикладной кибернетики СПбГУ, заведующий лабораторией информационно-управляющих систем ИПМаш РАН.

Предложенный подход мультидисциплинарен и применим не только в экономике, но и в других областях, где существуют скрытые колебания, способные привести к нарушению стабильной работы системы, а в критичных случаях даже к ее разрушению. Для их выявления математики сотрудничают со специалистами по технологиям искусственного интеллекта и учеными из разных предметных областей. Аналогичные исследования уже были проведены в электронике и энергетике, в дальнейшем авторы планируют протестировать разработанный подход в сфере медицины, социологии и инженерных наук.

Source:  Пресс-служба РНФ

News article publications

Read also

Новая матмодель позволит повысить эффективность бурения скважин
Система способна представить удобную выжимку самой важной информации из разрозненных геофизических данных. Так можно не только охарактеризовать новую скважину, но и скорректировать направление ее бурения
Engineering Geology
Geophysics
Machine learning
Mathematical modeling
12 July 2023
Нейросеть помогла рассчитать температуру Аррениуса по двум параметрам материала
Это позволит эффективнее контролировать процесс затвердевания расплавов и применим для различных типов материалов — металлических, силикатных, боратных и органических
Artificial intelligence
Machine learning
Materials Science
Mathematical modeling
20 February 2023
Микроволновые разряды помогут управлять сверхзвуковыми летательными аппаратами
Физики и механики разработали теоретическую модель, описывающую процесс формирования нитевидных микроволновых разрядов в газах. В этом случае газ нагревается до температур порядка 830°С и выше, и в нем формируется большое количество заряженных и возбужденных частиц. Это явление можно использовать в аэродинамике и космонавтике, чтобы воздействовать на потоки газа вблизи летательных аппаратов и тем самым управлять полетом, поскольку эти структуры влияют на скорость и траекторию движения аппарата.
Cosmonautics
Mathematical modeling
Plasma Physics
Space
22 March 2024
Новый способ предсказания свойств магнитных сплавов с помощью машинного обучения
Ученые из Сколтеха и МФТИ с коллегами из Германии, Австрии и Норвегии предложили и верифицировали новый способ для компьютерного моделирования магнитных сплавов с помощью машинно-обучаемых потенциалов. В методе в качестве переменных учитываются магнитные моменты атомов (магнитные степени свободы), благодаря чему он успешно предсказал энергию, механические и магнитные характеристики сплава железа и алюминия. Ученые планируют добавить в метод активное обучение и протестировать его на другом материале — нитриде хрома.
Chemical Physics
Machine learning
Metals and their alloys
16 February 2024
Ускорен поиск новых лекарств с помощью машинного обучения
В последние годы компьютерное моделирование сильно облегчило создание новых лекарств за счет предсказания структуры молекул и их взаимодействий. Однако даже такой «чисто компьютерный» скрининг может быть слишком дорог и затруднен, если речь идет о миллионах веществ. Поэтому авторы новой статьи в Journal of Chemical Information and Modeling — исследователи из МФТИ, Университетов Гронингена и Гренобля, — сделали этот процесс намного быстрее и эффективнее с помощью активного машинного обучения.
Drug Design
Machine learning
Molecular Biology
13 February 2024
Цифровые астроциты улучшили память нейросети на 20%
Ученые разработали первую в мире нейронную сеть, полностью построенную на принципах взаимодействия клеток реального головного мозга. Так, модель воспроизводит передачу сигналов не только между нервными клетками, но и между нейронами и астроцитами — вспомогательными клетками мозга. Эксперименты показали, что «подключение» астроцитов в работу нейросети улучшает ее способность «запоминать», то есть воспроизводить ранее полученную информацию, на 20%.
Cognitive Sciences
Mathematical modeling
Neural networks
30 January 2024