Одним майским понедельником, в 11:15, обычный фургон доставки останавливается на пересечение двух улиц в центре Вашингтона, округ Колумбия, всего в нескольких кварталах к северу от Белого дома. Террористы-смертники, находящиеся внутри, нажимают на красную кнопку.
Мгновенно большая часть города исчезает в ядерном огненном шаре мощностью в 2/3 от уничтожившей японскую Хиросиму. Бомба, начиненная 5 килограммами высокообогащенного урана, который террористы украли несколько недель назад, разрушает все здания как минимум на километр в каждом направлении и оставляет после себя сотни тысяч трупов либо умирающих среди руин людей. Электромагнитный импульс сжигает мобильные телефоны в радиусе 5 километров, а электросети на большей части города обесточены. Ветер срезает гриб взрыва в шлейф радиоактивных осадков, которые дрейфуют на восток, в пригород Мэриленда. На дорогах начинается давка — кто-то пытается убежать из зоны поражения, но большинство ищут пропавших членов семьи или медицинскую помощь.
Конечно, это всего лишь выдумка — но с далеко идущими намерениями. Этот сюжет ядерной атаки, известный также как Сценарий Национального Плана 1 (СНП1), берет начало в 1950-х годах, когда он использовался в качестве некой военной игры, безопасного способа для сотрудников органов национальной безопасности и экстренных служб проверить свои планы по реагированию на угрозу, прежде чем она станет реальной.
Шестьдесят лет спустя специалисты все так же сталкиваются с последствиями ядерной катастрофы в ходе регулярных учений по СНП1. Только сейчас, вместо того, чтобы выполнять строгие сюжетные линии и пытаться угадать, что произойдет дальше, они используют компьютеры для игры в «что, если» с использованием искусственной модели общества: расширенным типом компьютерного моделирования, называемым Агентным моделированием.
Сегодняшняя версия модели СНП1 включает в себя цифровую симуляцию каждого здания в зоне поражения бомбы, а также каждую дорогу, линию электропередач, больницу и даже базовую станцию сотовой связи. Симуляция включает также данные о погоде для моделирования радиоактивного облака. По сценарию, местность заселена примерно 730 тыс. агентов — искусственной популяцией, статистически идентичной реальному населению пострадавшего района по таким критериям, как возраст, пол и сфера деятельности. Каждый агент является автономной подпрограммой, которая по-человечески реагирует на других агентов и развитие катастрофический событий, переключаясь между несколькими режимами поведения — например, паникой, побегом или усилиями по поиску членов семьи.
Задача таких моделей заключается в том, чтобы изначально избежать описания человеческих взаимоотношений сверху вниз при помощи строгих фиксированных уравнений, как это традиционно делается в таких областях, как экономика и эпидемиология. Вместо этого такие явления как финансовый кризис или распространение болезни возникают снизу вверх, через взаимодействие множества людей, что приводит к реальному разнообразию вариантов и спонтанности, которые в противном случае трудно имитировать.
Как утверждает руководитель Института биологии сложных систем Политехнического университета Виргинии и университета штата в Блэксбуре Кристофер Барретт, который разработал для правительства модель СНП1, такого рода вещи — это именно то, что нужно сотрудникам экстренных служб. Эта модель может предупредить сотрудников, например, о том, что сбой питания в точке Х может привести к неожиданным последствиям в точке Y. Если они решат развернуть мобильные базовые станции в первые часы кризиса для восстановления связи, СНП1 укажет им, каким образом это повлияет на количество гражданских лиц, которые смогут добраться до ближайшей дороги. «Агентное моделирование заключается в том, как вы со всем этим разберетесь, и какое получите взаимодействие», — объясняет Барретт.
С другой стороны, такие модели как СНП1, как правило, очень велики — для каждого ее запуска необходимо на полтора дня задействовать компьютерный кластер из 500 микропроцессоров, заставляя агентов действовать предельно просто. «Существует фундаментальный компромисс между сложностью отдельных агентов и масштабами симуляции», — рассказывает программный менеджер Управления перспективных исследовательских проектов Министерства обороны США в Арлингтоне Джонатан Пфаутц, финансирующий проект по агентному моделированию социального поведения.
Но компьютеры становятся все более и более мощными, как и наборы данных, используемые для заполнения и калибровки моделей. В таких разнообразных областях, как экономика, транспорт, здравоохранение и городское планирование, все больше и больше людей, принимающих решения, серьезно относятся к агентному моделированию. «Это самые гибкие и детализированные модели, — рассказывает Ира Лонгини, которая моделирует эпидемии в Флоридском университете в Гейнсвилле, — что делает их на сегодняшний день наиболее эффективными в понимании и управлении».
На снимке этой модели видно радиоактивное облако (желтый), которое простирается на восток от Вашингтона через несколько часов после ядерного взрыва вблизи Белого дома. Высота столбиков указывает на количество людей в том или ином месте, в то время как цвет показывает состояние их здоровья. Красный означает, что они ранены или мертвы. Картинка: Дейн Вебстер, Университет Колорадо в Денвере. Данные: Network dynamics and simulation science laboratory (NDSSL).
Агентное моделирование уходит корнями по меньшей мере в 1940-е годы, когда пионеры вычислительных технологий, такие как Алан Тьюринг, экспериментировали с локально взаимодействующими программными кодами для моделирования сложных систем в физике и биологии. Но нынешняя волна развития началась где-то с середины 1990-х годов.
Одной из ранних удачных моделей стала Sugarscape, разработанная Робертом Акстеллом из Университета Джорджа Мейсона в Фэрфаксе и Джошуа Эпштейном из Нью-Йоркского университета. Поскольку им приходилось моделировать социальные явления на обычных настольных компьютерах, они свели агентное моделирование к самой сути: набор простых агентов, которые перемещались по сетке в поисках «сахара», пищевого продукта, находящегося в изобилии в одних местах, и в недостатке — в других. Несмотря на простоту, модель поражала удивительно сложным групповым поведением агентов, таким как миграции, войны и разделение территорий.
Еще одной важной вехой в 1990-х годах была Система анализа и моделирования транспорта (Transims) — агентная модель движения транспорта, разработанная Барреттом и другими в Лос-Аламосской национальной лаборатории в Нью-Мексико. В отличие от традиционных моделей трафика, которые использовали уравнения для описания массы движущихся транспортных средств как некой жидкости, Transims смоделировала каждый автомобиль и водителя в качестве агента, перемещающегося по дорожной сети города. Моделирование включало реалистичное сочетание автомобилей, грузовиков и автобусов, управляемых людьми с реалистичным сочетанием возраста, способностей и места назначения. Применительно к реальным городским условиям Transims лучше, чем традиционные модели, прогнозировала пробки и места наибольшего загрязнения воздуха и по этой причине теперь являются стандартным инструментом для планирования перевозок.
Аналогичная ситуация сложилась и у эпидемиологов. Большую часть прошлого столетия они оценивали вспышки болезней по сравнительно простому набору уравнений, которые делят людей на несколько категорий, таких как подверженные заражению, зараженные и привитые, и которые предполагают идеальные условия распространения заболеваний, то есть что в пострадавшем регионе все находятся в контакте со всеми. Эти модели рассчитывались сначала на бумаге, а затем на компьютерах, и они по-прежнему широко используются. Но эпидемиологи все чаще обращаются к агентному моделированию, которое учитывает факторы, не учтенные в уравнениях, такие как география, транспортные сети, структура семей и смена поведений — все это может сильно повлиять на распространение болезни. Например, во время вспышки лихорадки Эбола в Западной Африке в 2014 году группа Virginia Tech использовала агентную модель, чтобы помочь военным подразделениям США определить места для установки полевых госпиталей. Планировщикам необходимо было знать, где будут самые высокие показатели инфицирования, в какие сроки мобильные пункты будут доставлены на места, насколько далеко и как быстро пациенты смогут путешествовать по заведомо плохим дорогам региона, а также множество других проблем, которые не учитываются в уравнениях традиционных моделей.
В другом случае лаборатория Эпштейна в Нью-Йоркском университете сотрудничает с управлением общественного здравоохранения города, чтобы моделировать потенциальные вспышки вируса Зика, передающегося комарами и способного привести к серьезным врожденным дефектам. Группа исследователей разработала модель, которая включает агентов, симулирующих все 8,5 млн жителей Нью-Йорка, а также меньший набор агентов, представляющий популяцию комаров, подсчитанную на основании количества особей, пойманных в ловушки. Модель также включает данные о том, как люди обычно перемещаются между домом, работой, школой и магазинами; о сексуальном поведении (вирус Зика может распространяться через незащищенный секс); и о факторах, которые влияют на популяцию комаров, наподобие сезонных колебаний температуры, количества осадков и мест размножения. Результат позволил не только предсказывать масштабы потенциальной вспышки, что эпидемиологи в принципе могли определить и с помощью уравнений, но и определять, где могут находиться самые горячие точки.
По мнению Стефана Халлегатте, экономиста из Всемирного банка в Вашингтоне, в экономике агентное моделирование может стать мощным инструментом для понимания явления глобальной бедности. Если все, что вы наблюдаете, это стандартные показатели, такие как валовой внутренний продукт (ВВП) или общий доход, объясняет он, то в большинстве стран вы видите только богатых людей: у бедняков так мало денег, что их едва можно заметить.
Чтобы добиться большего успеха, Халлегатте и его коллеги изучают отдельные семьи. Его команда построила модель с 1,4 млн агентов, имитирующих домашние хозяйства по всему миру — примерно по 10000 на страну, — и увидела, как изменения климата и стихийные бедствия могут повлиять на здоровье, продовольственную безопасность и производительность труда. Модель оценивает, как штормы или засухи могут повлиять на урожайность сельскохозяйственных культур и рыночные цены, или какой ущерб может нанести землетрясение заводским рабочим, если уничтожит их автомобили, дороги или даже сами заводы.
В целом она приводит к очевидному выводу: бедные люди значительно более уязвимы для стихийных бедствий и изменений климата, чем богатые. Но команда Халлегатте разглядела определенные варианты. Например, если бедняки в конкретной стране в основном являются фермерами, они, по сути, могут выиграть от изменений климата, когда мировые цены на продовольствие начнут расти. Но если они преимущественно сконцентрированы в городах, такой рост может сильно по ним ударить.
По словам Халлегатте, такая гранулярность облегчила Всемирному банку задачу адаптировать свои рекомендации к потребностям каждой отдельно взятой страны. К тому же гораздо легче объяснить результаты модели человеческими словами, чем на птичьем языке экономических терминов. «Вместо того, чтобы сообщать стране, что изменение климата снизит их ВВП на X%, — говорит он, — вы можете сказать, что 10 миллионов человек окажутся за чертой бедности. Это число, которое намного проще понять».
Окончание читайте здесь.
