کریستوفر فرولونگ / گتی ایماژ
در پایان ماه مارس ، انجمن سلطنتی فراخوان روشنی را برای مدلسازان صادر کرد. با توجه به اینکه بحران کروناویروس چنگ و چنگال خود را بر این کشور سخت تر کرد ، آکادمی علوم انگلیس از محققان و دانشمندان داده خواست تا در تلاش برای تقویت ظرفیت این کشور در ایجاد بازنمایی ریاضی از این بیماری بپیوندند. در بیانیه ای که در تاریخ 29 مارس در وب سایت خود منتشر شد ، جامعه اعلام کرد که "جامعه کوچک اما بسیار مؤثر" از مدل سازی های همه گیر در انگلستان بیش از حد شلوغ بود و مشغول ایجاد مدل هایی برای آگاهی از پاسخ دولت بود. به گفته انجمن سلطنتی ، نیاز به متخصصان مدل سازی از صنایع دیگر – از جمله برنامه ریزی شهری ، امور مالی ، بازاریابی ، هواشناسی – برای کاهش بار اضافی با کمک داوطلبانه آنها وجود داشت. این کمک می تواند از ارائه مشاوره و بینش ، تا بررسی مدل های موجود ، کمک به طراحی نرم افزار و تجزیه و تحلیل داده ها باشد. هدف نهایی تقویت کردن قدرت شلیک انگلستان در انگلستان بود تا این کشور بتواند راه خود را برای رفع قفل پیدا کند.
انجمن سلطنتی در بیانیه خود گفت: "ما باید با ایجاد ظرفیت برای ایجاد و کشف بهینه استراتژی های احتمالی خروج ، به مدلسازان همه گیر خود کمک کنیم." کمتر از یک هفته بعد ، اعلام کرد که پاسخ داوطلبان "بسیار زیاد" بوده است. اهمیت مدل های خوب برای مطالعه و تفسیر بحران در حال وقوع ، در چند هفته گذشته به ویژه پس از صحت برخی از مدل های هدایت مشهود شده است. عملكرد دولت – به ويژه مواردي كه توسط امپريال کالج لندن ابداع شده است – توسط دانشگاهيان مورد سؤال قرار گرفته است. اما از همان ابتدا در درون دولت کاملاً مشخص بود. در تاریخ 16 مارس ، Dominic Cummings مشاور ارشد شماره 10 – که غالباً در مورد استفاده از مدل ها و شبیه سازی ها برای سیاست گذاری می نویسد – جلسه ای را با بیش از 40 بنیانگذار و مدیران صنعت فناوری برگزار کرد و از آنها خواست تا در مبارزه کشور با همه گیر کمک کنند. . در میان کسانی که دعوت شده بودند یک اسب شاخدار بود که به عنوان علامتی برای شبیه سازی و مدل سازی تبدیل شده است – Improbable مستقر در لندن. Improbable که در سال 2012 تأسیس شد ، با ایجاد SpatialOS ، سکویی برای توسعه و میزبانی شبیه سازی های دیجیتالی در مقیاس بزرگ در کل جهان ، نام خود را ایجاد کرد. چنین روشهایی معمولاً برای ایجاد بازی های ویدیویی بویژه چند نفره ای که در محیط های جهان باز قرار دارند استفاده می شود. اما فناوری Imobobable همچنین با شبیه سازی ترافیک وسایل نقلیه یا ارزیابی میزان وقوع جرم در یک منطقه خاص می تواند در درک تحرک شهر کمک کند. این شرکت همچنین به وزارت دفاع انگلیس در ساخت شبیه سازی های شبیه به wargame برای اهداف آموزشی کمک کرده است. جو رابینسون ، مدیر عامل غیرقابل دفاع برای دفاع و امنیت می گوید: "ما مدل سازی علمی ، هوش مصنوعی و تجزیه و تحلیل داده ها را برای ایجاد ، اساساً ، بستر محور جهت شبیه سازی محیط های دنیای واقعی ، با هم ترکیب می کنیم." "هدف همه اینها واقعاً بهبود تصمیم گیری و افزایش اثربخشی کل فعالیتهای آمادگی دولت است و در عین حال به طور چشمگیری هزینه را نیز کاهش می دهد."
رابینسون در مورد نحوه همکاری این شرکت با دولت برای مقابله با اضطراری کروناویروس اطلاعات خاصی نخواهد داشت ، به جز اینکه آنها "بسیار شلوغ" از اواخر بوده اند. شخصی که با جلسه شماره 10 آشنا است ، می گوید که غیرقانونی پیشنهاد شده است تا فناوری شبیه سازی خود را برای کمک به تغییر و تحول اپیدمی دولت در دسترس قرار دهد. بنابراین چنین چیزی به نظر می رسد؟ یکی از تخصص های غیرقابل استفاده مدل سازی مبتنی بر عامل است. این تکنیکی است که برای هر عنصر فردی در یک محیط خاص – مانند افراد ، ماشین ها یا مشاغل – شبیه سازی ایجاد می کند. "این [modelled entities] مانند یک نیروگاه می توانند غیرنظامی ، موسسات یا حتی اشیاء بی جان باشند." Anagnostopoulous ، دانشمند اصلی در Improbable. "این امکان گسترش سریع دارد ، زیرا می توانید رفتارهایی را در سطح عامل ایجاد کنید ، و سپس به جنبه های مختلف اختصاص دهید تا به شما بگوید که چگونه عامل در شرایط مختلف یا جنبه های مختلف رفتار خود رفتار می کند." به عنوان مثال ، تصور کنید که یک شبیه سازی را ایجاد کنید – به نوعی نسخه کم کیفیت The Sims فکر کنید ، فقط عظیم. شما می توانید آن را با شصت و شش میلیون "عامل" – پایه های دیجیتال برای افراد – جمع کنید و هر یک با الگوهای حرکتی ، روال کار ، شبکه های اجتماعی و شرایط بهداشتی خود را جمع آوری کرده و سپس شبیه سازی را برای مشاهده پیشرفت بحران کوروی ویروس سریع انجام دهید. . می توانید یک سنج را اضافه کنید ، نشان می دهد که چگونه عفونت با گذشت زمان پخش می شود. علاوه بر این ، شما می توانید چندین بار شبیه سازی مشابه را اجرا کنید ، قوانین حاکم بر محیط را تغییر دهید – به عنوان مثال ، می توانید مدارس را ببندید ، یا اجتماعات بزرگ را ممنوع کنید – و تماشا کنید که چگونه همان محیط تحت شرایط مختلف رفتار می کند.
اگر ما در یک شبیه سازی زندگی می کنیم ، احتمالاً این استارتاپ انگلیس آن را ساخته است
نیک مالسون ، استاد علوم فضایی در دانشگاه لیدز ، که با همکاری غیرممکن می گوید: "مدل های مبتنی بر عامل به ویژه در شرایطی که شما نیاز به الگوبرداری از تعامل و رفتار اجزای فردی یک سیستم داشته باشید ، بسیار مناسب هستند." برای مطالعه الگوهای جرم. "من فکر می کنم دلیل محبوبیت آنها در گسترش بیماری [studying] این است که اغلب در شیوع بیماری ، ممکن است شما نیاز به بررسی چگونگی تعامل مردم داشته باشید – وقتی آنها در مغازه ها تماس می گیرند ، شبکه های اجتماعی چگونه تأثیر می گذارند. چگونه مردم حرکت می کنند ، چگونه رفتار می کنند ، چگونه تعامل می کنند ، همه این نوع کارها را انجام می دهد. " وی گفت: "این نوع مدل ها پیش بینی های دقیقی را انجام نمی دهند. تصادفی زیاد است ، "او می گوید. "این به معنی چند مورد است: شما باید چندین بار مدل را اجرا کنید و سپس میانگین بگیرید. و این هنوز یک تقریب است – شما می دانید که چه اتفاقی می افتد اما نه آنچه اتفاق می افتد. " تحقیقات کالج امپریال از مدلهای مبتنی بر فردی استفاده می کند ، روشی شبیه به شبیه سازی های مبتنی بر عامل. آناگنوستوپولوس می گوید ، آنچه SpatialOS Imobobable را به جدول می آورد ، مهمترین و مهمترین توانایی آن برای به حداقل رساندن قطعه قطعه شدن است. "در یک بیماری همه گیر ، شما واقعاً می خواهید که بتوانید یک مدل از شیوع خود – عفونت ، مدل اپیدمیولوژیک – را با هم جمع کنید. الگویی از تأثیر اقتصادی بر مشاغل کوچک و همچنین احتمالاً یک الگوی رفتاری سازگاری. " اما اغلب ، هر یک از این مدل ها توسط محققان مختلفی انجام می شوند که عمدتا به یک جنبه خاص شیوع علاقه دارند. Anagnostopoulous می گوید که Improbable در حال حاضر با "شبکه بسیار بزرگی از موسسات دانشگاهی" کار می کند تا آن مسئله را حل کند و ادغام مدل های مختلف را در یک محیط واحد شبیه سازی شده امکان پذیر سازد. این شرکت همچنین در تلاش است تا محققان را در به روزرسانی مدل های خود به محض ورود اطلاعات جدید به آنها کمک کند. ”مدل ها معمولاً با نوع خاصی از شرایط در ذهن ساخته می شوند. و وقتی بحران واقعاً فوران کند ، برخی از این فرضیات پایه متفاوت خواهند بود. و تکرار یک مدل بسیار چالش برانگیز است ، "می گوید Anagnostopoulous. "اکنون ، ما در تلاشیم تا ابزاری را در اختیار آنها قرار دهیم که بتوانند شواهدی را برای جمع آوری این شواهد جمع کنند." البته ، برای به روزرسانی شبیه سازی ها به هر روشی قابل توجه ، داده های جدید باید فراوان و قابل اعتماد باشند – و این همیشه در شرایط فعلی اینگونه نیست ، همانطور که گزارش ها درباره شیوه های جمع آوری داده های slipshod در چین یا ایتالیا نشان می دهد. اما ، آناگنوستوپولوس توضیح می دهد ، مدل سازی مبتنی بر عامل تنها راهی نیست که شبیه سازی ها به متخصصان و محققان کمک کند تا بحران کورنوویروس را درک کنند. به عنوان مثال ، مدل های احتمالی – که باعث می شود تصادفی بیشتری در آن صورت پذیرد – ممکن است به داده های کمتری نیاز داشته باشند و باز هم بینش مفیدی را به دست می آورند. " Anagnostopoulous می گوید: "پلت فرم ما قادر به پشتیبانی از هر دو نوع [of simulations] و در واقع تعامل بین این دو نوع از مدل ها است." . ما واقعاً در تلاش هستیم تا به همان اندازه از انواع مختلف پشتیبانی کنیم. "Gian Volpicelli سردبیر سیاست WIRED است. وی توئیت از پوششGmvolpiCoronavirus از WIRED😓 چگونه koronavirus شروع شد و بعد از آن چه اتفاقی می افتد؟ scheme طرح حفظ شغل انگلستان در انگلستان ، توضیح داد: آیا درآمد جهانی عمومی می تواند در مبارزه با تاج ویروس کمک کند؟
🎲 بهترین بازی های ویدئویی و تخته ای برای زوج های خودزنی – WIRED را در توییتر ، Instagram ، Facebook و LinkedIn دنبال کنید
دریافت ایمیل از WIRED ، توجیهی بدون مزخرف خود را در مورد بزرگترین داستان در فن آوری ، تجارت و علم است. در صندوق ورودی خود را هر روز هفته در 12:00 تیز.
با وارد کردن آدرس ایمیل خود ، شما با خط مشی رازداری ما موافقت می کنید
متشکرم. شما با موفقیت در خبرنامه ما مشترک شدید. به زودی از ما خواهید شنید.
متأسفیم ، یک ایمیل نامعتبر وارد کردید. لطفاً تازه کنید و دوباره امتحان کنید.
