船只和海上平台要承受多年连续不断的波浪和洋流冲刷，在数十年的运作后，这些海上设施如果在没有任何预警的情况下，迎面遭遇流氓巨浪、反常风暴或其他极端事件，很可能出现极端后果。

针对这一隐患，麻省理工学院(MIT)研究人员开发了一种机器学习算法，用来快速确定复杂系统中可能发生的极端事件的类型。海洋就是一种复杂系统，在海洋环境中，不同大小、不同长度和不同高度的波浪会对船舶或海上平台造成压力。研究人员可以用算法模拟大浪等极端事件可能在特定结构上产生的力和应力。

与传统方法相比，该团队的技术不仅考虑了现象的统计性质，还考虑了某些动态的潜在可能，为那些可能在某个时刻出现极端事件的系统提供了更快、更准确的风险评估。

MIT机械与海洋工程副教授萨普希(Themistoklis Sapsis)表示:“通过我们的方法，你可以从最初设计阶段就开始评估一个结构，在面对能够撞击到这个结构的整体波浪群——而非某个大浪——时会如何表现。你可以设计更好的结构，这样就不用担心有超过限度的结构问题或压力。”

萨普希表示，这项技术不仅适用于船舶和海洋平台，还适用于任何易受极端事件影响的复杂系统。例如，该方法可用于确定可能在城市中造成严重洪水的风暴类型，以及洪水可能发生的地点。它还可以用来估计可能导致停电的电力过载事件类型，以及城市电网发生停电的地点。

萨普希和他带过的研究生、现纽约大学Courant数学科学研究所的助理研究员穆罕默德(Mustafa Mohamad)本周将在《美国国家科学院院刊》上发表他们的研究结果。

捷径不通

工程师们一般是通过密集的模拟来衡量结构对极端事件的耐久性，例如，对来自特定方向、具有一定高度、长度和速度的波浪进行建模。这些模拟非常复杂，因为它们不仅要模拟某种波浪，还要模拟它与结构之间连续不断的相互影响。通过模拟整个“波场”，当一个特定的波浪扑来时，工程师就可以估计结构如何被其震动和推动，以及由此产生的力和应力可能造成的破坏。

这些风险评估模型可以达到非常高的精度，在理想情况下甚至可以预测结构对每种可能波动类型的反应，无论极端与否。但是，这样的精度要建立在工程师们模拟了数百万次波浪，获得足够的高度、长度和尺度等参数的前提下，这个过程可能需要花上好几个月的时间。

“这是一个极其昂贵的问题，”萨普希说，“要模拟一种可能发生在100秒以上的波浪，需要一个非常快的现代图形处理器单元，花费大约24小时计算。而我们感兴趣的是了解100年后极端事件发生的概率。”

因此，在通常情况下，工程师们在使用模拟器模拟一些场景时，只会选择性地模拟一些他们认为可能造成最大破坏的随机波浪类型。如果一种结构设计能够在这些极端的、随机产生的波浪中幸存下来，工程师们就会认为这种设计能够抵抗海洋中类似的极端事件。

但萨普希称，在选择随机波浪进行模拟时，工程师们可能会忽略其他不太明显的情况，比如中等大小波浪的组合，或者一个具有一定斜率的波浪可能发展成破坏性的极端事件。萨普希说:“我们已经想到方法，可以抛弃这种随机抽样逻辑了。”

更快的学习者

萨普希和穆罕默德开发的机器学习算法，首先是教会机器如何快速识别出这种模拟的“最重要的”或“信息最丰富的”波浪，而不是通过计算密集的模拟来运行数百万波或甚至几个随机选择的波。

该算法基于这样一种想法，即每个波浪都有一定的概率对结构上的极端后果起到推动作用。概率本身具有一定的不确定性或误差，因为它代表了复杂动力系统的影响。此外，有些肯定波浪比其他波浪会更容易导致极端事件。

随着算法的成型，研究人员只要输入各种类型的波浪及其物理特性，以及其理论上对近海平台的影响，就能得到相应结果。从研究人员插入算法的已知波浪中，它基本上可以“学习”并粗略估计平台对任何未知波浪的反应。通过这个步骤，算法学习了离岸设备在所有可能的波浪中的变化。然后它就能自己识别一种特定的波浪，并最大程度减少极端事件发生的概率误差。这种算法考虑到了系统的动态行为，超越了纯粹的统计方法。

研究人员在一个理论场景中测试了这一算法，该场景包括一个简化的、会受到到波浪影响的海洋平台。研究小组首先在机器学习算法中加入了4种典型波浪，及其对海上平台已知的影响。在此基础上，该算法快速识别出具有高发生概率的新波浪维数，最大限度降低极端事件发生的概率误差。

随后，团队将这类波浪加入更密集、开源的模拟情况中，以模拟简化离岸平台的反映。他们将第一次模拟的结果反馈给算法，使其确定下一个最有可能的模拟波浪，并重复整个过程。该小组总共在几天内进行了16次模拟，以模拟一个平台在各种极端事件下的行为。相比之下，研究人员使用传统方法进行模拟时，只能盲目地模拟尽可能多的波，并且要等几个月、运行数千个场景后才能得出类似的统计结果。

萨普希表示，结果充分证明，新方法能迅速锁定极端事件最可能发生的原因和机制，为设计师们提供了更真实现实场景模拟。除了海上平台，这还能用在电网上和容易发生洪涝的地区。

他认为：“这种方法为基于极端事件统计的复杂系统风险评估、设计和优化铺平了道路，而这是在没有严格简化的情况下从未考虑过或做过的事情。我们现在可以说，利用这种方法，你可以根据极端事件的风险标准来理解和优化你的系统。”