С помощью современных математических моделей можно описать эпидемию и спрогнозировать, когда она пойдёт на спад, сколько инфицированных людей и сколько людей с иммунитетом будет в разное время. Но эти модели довольно простые, в них популяция людей описывается однородно. При этом в реальном мире мы все разные: разного пола, возраста, социальной активности, иммунного статуса. Важно учитывать эту неоднородность.
Решая эту задачу математически, я столкнулась с ограничениями. Когда число групп становится большим (десятки и сотни), «чистая математика» теряет смысл. Матрица человеческих контактов, в которой можно учесть один-два параметра, с множеством параметров превращается в неописываемый объект.
Но тут на помощь приходит ИИ. Нейросети позволяют улучшить математические модели и методы их применения. С помощью ML-алгоритмов мы можем изучать распространение инфекцией в городах, где число групп людей особенно велико.
На курсе ШАДа я изучала два подхода:
-
PINN (Physics-Informed Neural Network) позволяет встраивать в математические модели дифференциальные уравнения с запаздыванием.
-
GNN — графовые нейросети с дифференциальным слоем. Благодаря им нейросеть учится прогнозировать динамику распространения инфекции.
Объединяя эпидемиологическую математику и силу LLM, мы даём эпидемиологам инструмент принятия практических решений. Так мы понимаем, в какой группе людей стоит проводить вакцинацию в первую очередь или как закрытие торгового центра в конкретном районе Москвы повлияет на динамику эпидемии в масштабах всего города. При этом мы можем моделировать не только человеческое общество, но и эпидемии среди других животных, растений и насекомых.
Ваша история — следующая
Приходите в ШАД, чтобы взять на вооружение суперсилу ИИ в сфере своей научной деятельности. И мы расскажем о том, как современные технологии придали новый импульс вашим исследованиям.
