Lo scienziato della complessità batte gli ingorghi grazie all’adattamento
Città del Messico è famosa per i suoi musei, cibo e cultura, ma anche per i suoi ingorghi. La città ha una popolazione di quasi 22 milioni di persone e più di 6 milioni di automobili, e per molte persone la regola di due ore al giorno per andare a scuola o al lavoro è la regola. Forse perché i ritardi sono una routine, è spesso socialmente accettabile arrivare da 10 a 15 minuti in ritardo alle lezioni o alle riunioni.
Il modo in cui le persone viaggiano nella capitale messicana è un problema complesso che non può essere ridotto a una o due variabili ed è emblematico delle sfide della mobilità urbana che deve affrontare metà della popolazione mondiale. È anche il tipo di problema che negli ultimi due decenni è stato uno dei preferiti di Carlos Gershenson , uno scienziato informatico presso l'Università Nazionale Autonoma del Messico, affiliato sia al suo Institute for Research in Applied Mathematics and Systems che al suo Center for Complexity Sciences .
Per risolvere un problema complesso, ritiene Gershenson, gli scienziati devono abbandonare i metodi tradizionali e trovare nuovi modi per studiare le sfide in continua evoluzione. "La scienza e l'ingegneria hanno ipotizzato che il mondo sia prevedibile e che dobbiamo solo trovare le giuste leggi della natura per poter prevedere il futuro", ha scritto mentre era professore in visita presso il Massachusetts Institute of Technology e la Northeastern University nel 2016. "Ma lo studio dei sistemi complessi ha dimostrato che questa ipotesi è fuorviante".
Utilizzando simulazioni al computer specializzate nell'adattamento e non nella previsione, Gershenson utilizza l'auto-organizzazione come strumento per migliorare la mobilità urbana. Sebbene la maggior parte delle soluzioni del sistema di trasporto che ha proposto a varie città abbiano incontrato ostacoli politici e burocratici, le sue idee sono state implementate con successo nel sistema metropolitano di Città del Messico nel 2016. Semplicemente segnalando chiaramente dove le persone dovrebbero aspettare per far uscire i passeggeri prima di salire sui treni , il progetto pilota ha eliminato quasi tutti i conflitti e le pressioni durante il processo di imbarco e ha ridotto il tempo impiegato per l'imbarco fino al 15%.
"Il lavoro di Carlos ha notevolmente migliorato lo stato dell'arte della nostra comprensione dei flussi di traffico auto-organizzati e delle loro implicazioni per il controllo e l'ottimizzazione del mondo reale", ha affermato Yaneer Bar-Yam , professore di fisica al MIT e presidente del New England Complex Systems Institute, che ha supervisionato una borsa di studio post-dottorato con Gershenson nel 2007-2008. Ha aggiunto che Gershenson "ha riformulato le domande, che è l'impatto più importante che si può avere".
La complessità ha attratto Gershenson sin dai suoi giorni di laurea in ingegneria informatica alla fine degli anni '90 presso la Fondazione Arturo Rosenblueth, dove si è interessato all'intelligenza artificiale. Successivamente, durante gli studi del suo master in sistemi evolutivi e adattivi presso l'Università del Sussex, ha approfondito la filosofia e le scienze cognitive. Ma mentre lavoravo al suo dottorato presso la Libera Università di Bruxelles, "sono rimasto deluso dalle scienze cognitive perché, alla fine, è molto soggettivo", ha detto. Si è rifocalizzato sui sistemi di auto-organizzazione.
Sebbene Gershenson studi semafori autoregolanti e sistemi metropolitani, è un appassionato di biciclette come veicolo più efficiente e meno inquinante per gli spostamenti in città. È anche una voce forte sui social media e scrive una colonna sul quotidiano nazionale Reforma , dove analizza scienza, politica scientifica e politica, tra gli altri argomenti.
Quanta ha parlato con Gershenson nella sua casa di Città del Messico durante una videochiamata alla fine di agosto per saperne di più su come l'auto-organizzazione può migliorare la mobilità urbana. L'intervista è stata condensata e modificata per chiarezza.
Come ti sei avventurato per la prima volta nel campo dei sistemi complessi auto-organizzati e della mobilità urbana?
Da laureando mi interessava il traffico autostradale: ho programmato una simulazione con e senza semaforo e con auto autonome. Se puoi prevedere quando le auto attraverseranno gli incroci, puoi evitare che si schiantino anche se non si fermano mai; devi solo diminuire la loro velocità. Non si sono quasi mai bloccati nella mia simulazione e, naturalmente, era molto più efficiente. Quindi avevo già giocato con queste idee.
Sapevo anche di un progetto sviluppato negli anni '90 a Berkeley con plotoni di automobili, in cui era coinvolto Luis Agustín Álvarez-Icaza , un famoso ingegnere messicano. Aveva lavorato a questo progetto di avere plotoni automatizzati, in modo che le auto potessero seguirsi a 55 miglia all'ora, da paraurti a paraurti, come un modo per aumentare la capacità delle autostrade. E come ci ha detto, l'hanno fatto e ha funzionato ed è stato un bene, ma non hanno potuto lanciarlo a causa delle compagnie di assicurazione. È divertente che più di 20 anni dopo, con le auto autonome ci sia lo stesso problema. Ancora una volta, le compagnie di assicurazione impongono loro delle restrizioni.
Per la prima applicazione del mio progetto di dottorato sui sistemi di auto-organizzazione, ho pensato: "Proviamo a fare in modo che i plotoni di auto si radunino come uccelli". Uno stormo di uccelli è una specie di esempio canonico di auto-organizzazione. Ho implementato diverse strategie di controllo in una simulazione, e una di queste era l'auto-organizzazione: era come avere un plotone in cui cercavano tutti di andare alla stessa velocità dei loro vicini.
E questo è stato un enorme fallimento, perché alcune auto avrebbero accelerato, ma poi avrebbero rallentato e avresti avuto delle brutte oscillazioni. Non funzionava e non l' ho mai pubblicato come documento sottoposto a revisione paritaria.
La strategia più efficace era quella egoista in cui tutti cercavano di andare il più velocemente possibile.
Veramente? Qual è ciò che normalmente accade oggi, giusto?
In realtà, il mio primo dottorato di ricerca. lo studente Luis Enrique Cortés Berrueco è andato oltre in quella direzione. Realizza la teoria dei giochi e le simulazioni del traffico per studiare quale sarà l'effetto dei conducenti egoisti rispetto a quelli cooperativi. Si scopre che se hai una bassa densità di auto sulle strade, i conducenti egoisti portano a un traffico più efficiente . Ma questo è solo a basse densità e si tratta solo di efficienza. È anche più pericoloso.
Se hai densità medie, quando un driver interrompe un altro driver, rallenta tutti quelli dietro di loro. Quindi è meno efficace. E se la densità è troppo alta, il loro egoismo non ha importanza, perché comunque non possono cambiare corsia.
Perché pensi che studiare la mobilità urbana ci aiuterà a capire i sistemi di auto-organizzazione?
È un modo perfetto per implementare o provare la teoria. Da quando ho studiato ingegneria e filosofia, mi piace sviluppare concetti ma anche utilizzare quei concetti per risolvere problemi o per costruire sistemi .
Una volta costruiti i sistemi, si scopre che alcuni buchi nei tuoi concetti iniziano a presentarsi. Ti trovi di fronte a problemi che non avevi previsto. Questo ti costringe a perfezionare la tua comprensione, a rivedere il tuo sistema concettuale. Le risposte portano sempre nuove sfide. Ma una volta risolte queste sfide, puoi tornare indietro e dare contributi concettuali più solidi.
Sono sempre passato dalla teoria alla pratica e viceversa.
Cosa rende la mobilità urbana un sistema complesso?
Possiamo facilmente modellare la traiettoria di un singolo veicolo perché ha un movimento e un'accelerazione uniformi. È matematica di base del liceo. Naturalmente, ci sono più dettagli come attrito, venti e così via. Ma puoi ignorarlo.
Il problema è che nel mondo reale, la posizione precisa di un veicolo in un momento futuro dipende non solo dalla sua accelerazione e velocità e così via, ma anche dal fatto che ci siano altre auto o pedoni o ciclisti sulla strada. Se altri veicoli andranno più lenti o più veloci, ci sarà più o meno spazio, a seconda che tutti guidino in modo pericoloso o meno. Esistono forti interdipendenze. Non è possibile prevedere dove sarà un'auto due minuti più avanti perché dipende dal fatto che le auto che la precedono reagiscano in tempo al semaforo, se si distraggono, se c'è un autobus, se si fermano dove non dovrebbero, se qualcuno pulire i parabrezza e ritardare tutto.
La complessità è definita dalle interazioni e nella mobilità urbana le interazioni contano molto. E questo non tiene nemmeno conto dei fattori umani per il guidatore, come se fossi distratto o assonnato, drogato o arrabbiato.
Se provi a risolvere un problema in modo semplicistico, senza guardare alle interazioni, le tue soluzioni saranno piuttosto limitate. C'è un detto nel campo della mobilità urbana: "Aggiungere corsie autostradali per affrontare la congestione del traffico è come allentare la cintura per curare l'obesità". È una soluzione che non affronta il problema della domanda di trasporto e di come soddisfarla.
Quanto è difficile sviluppare un modello o una simulazione che rifletta un alto grado di complessità? Devono esserci infinite variabili. Come assegni la priorità a cosa includere?
Dipende da cosa vuoi per il tuo modello. Se vuoi che il tuo modello faccia previsioni, allora sì, devi includere molti dettagli. Supponiamo di voler modellare il traffico di Città del Messico. Poi abbiamo bisogno di quante auto stanno seguendo quali traiettorie e in quale ora del giorno. Quali sono le loro accelerazioni medie del motore, se piove e così via – molti fattori influenzeranno il flusso del traffico e si desidera aggiungere quanti più dettagli possibile.
Ma se vuoi che il tuo modello sia solo per comprendere un sistema piuttosto che prevederlo, allora in molti casi può essere utile una simulazione molto astratta. Le mie prime simulazioni erano un po 'sofisticate perché cercavano di essere realistiche. Successivamente, ho iniziato a fare simulazioni più semplici e astratte: i veicoli avevano un'accelerazione infinita e c'era una simmetria negli spazi tra i veicoli che in realtà non accade. Ma anche così, quelle simulazioni ci hanno permesso di scoprire che ci sono da sei a dieci transizioni di fase nel traffico urbano: puoi vedere come la velocità o il flusso ha transizioni brusche all'aumentare della densità. Non puoi vederlo se hai un modello più sofisticato.
Hai fatto simulazioni in diverse città. Cosa c'è di speciale in Città del Messico che rende interessante studiare?
Bene, prima di tutto, viviamo qui. Secondo diversi indici, ha la peggiore mobilità del mondo. Inoltre, abbiamo un contatto più stretto con le autorità, quindi possiamo cercare di influenzare i miglioramenti o le decisioni che vengono prese. Quando ero a Bruxelles durante il mio dottorato di ricerca. , abbiamo contattato il ministro dei trasporti e … diciamo di esserci imbattuti in un problema politico.
Parlami di questo progetto che hai avuto con semafori a Città del Messico per accelerare gli spostamenti e ridurre le emissioni.
I sistemi semaforici sono normalmente cronometrati e programmati in un modo che dovrebbe essere efficiente, ma poi il numero preciso di auto fermate da ogni semaforo varia costantemente. Anche se lo stai basando su una misurazione del traffico che è in media circa 13 auto al minuto, un minuto saranno 20, un altro sarà zero e un altro ce ne saranno sei.
Coordinare tutti questi semafori programmati per mantenere i veicoli in movimento è un problema. Diventa sempre più computazionalmente impegnativo man mano che hai più incroci da coordinare e cambia man mano che aggiungi e sottrai auto. È impossibile prevedere.
E vuoi ottimizzare il flusso di traffico.
Sì, ma poiché l'ottimizzazione è così impegnativa dal punto di vista computazionale, è necessario utilizzare l'adattamento.
I semafori autoorganizzanti sono dotati di sensori che consentono loro di rispondere al traffico in entrata modificando i tempi dei segnali. Non stanno cercando di prevedere; si adattano costantemente al mutare del flusso di traffico. Ma se riesci ad adattarti alla richiesta precisa, allora non c'è minimo. L'unico motivo per cui le auto devono aspettare è perché altre auto stanno attraversando.
Il semaforo dice alle auto cosa fare. Ma grazie ai sensori, le auto dicono anche ai semafori cosa fare. C'è questo feedback che promuove la formazione di plotoni, perché è più facile coordinare 10 plotoni da 10 auto che 100 auto, ciascuno con la propria traiettoria.
E questo promuove spontaneamente l'emergere di "onde verdi", che sono plotoni di auto che attraversano un incrocio dopo l'altro senza fermarsi. Non stai programmando "ci sarà un'onda verde e rallenterà a questa velocità" nel sistema. Il tipo di traffico innesca le onde verdi stesse. Ed è tutto auto-organizzato perché non c'è comunicazione diretta tra i semafori in diversi incroci.
Non è un modo così ovvio di controllare i sistemi perché nella teoria del controllo, vogliamo essere sicuri di ciò che accadrà. E in questo caso, non dici al sistema quale sarà la soluzione. Ma progetti le interazioni in modo che il sistema trovi costantemente soluzioni desiderabili. È quello che vuoi fare, perché non sai quale sarà il problema.
Quanto bene funziona?
Nelle simulazioni, abbiamo riscontrato che implementando semafori auto-organizzati è possibile ridurre i tempi di percorrenza del 25%. E poiché così tante auto in meno sono al minimo al semaforo rosso, anche le emissioni sono drasticamente ridotte. Se provi a stimare il risparmio di emissioni per una città grande come Città del Messico, sarà l'equivalente di sostituire le auto con, tipo, 10 linee Metrobus, a una frazione del costo di una singola linea.
Ma ovviamente è una simulazione. Non possiamo sapere con certezza se, con i trasporti pubblici e gli autisti messicani e così via, funzionerà. L'efficienza del traffico può anche essere controproducente perché improvvisamente il traffico scorre meglio e questo può motivare più persone a guidare. E se hai più auto in strada, ovviamente, ciò potrebbe significare anche più emissioni di quanto stavi risparmiando.
Quindi vogliamo provare questo su piccola scala come test. Ma sono passati circa 15 anni e non siamo stati in grado di farlo da nessuna parte per motivi diversi. Abbiamo provato a Bruxelles, abbiamo provato a New York, abbiamo provato in Marocco, abbiamo provato in Messico.
Cosa ha fallito in tutti questi luoghi?
Politica.
Ci sono esempi di luoghi in cui hanno implementato semafori auto-organizzati?
I miei colleghi Stefan Lämmer e Dirk Helbing lo hanno fatto per Dresda. Il loro è un metodo leggermente diverso dal nostro, ma funziona . Ci è voluto anche un po 'per farcela, tipo cinque anni. La città era favorevole e l'hanno finanziata, ma comunque era molto problematico per qualsiasi motivo.
Il problema potrebbe essere che alla maggior parte degli ingegneri vengono insegnati metodi tradizionali basati sulla previsione di ciò che deve essere controllato e cercano di migliorare quei metodi. Ma per i sistemi complessi, la previsione è quasi senza speranza. Nel momento in cui raggiungi l'ottimalità, il problema cambia. La soluzione è già obsoleta.
Quello che abbiamo dimostrato è che con l'auto-organizzazione puoi avere un approccio completamente diverso, che potresti riassumere come il passaggio dalla previsione all'adattamento . Abbiamo realizzato simulazioni per regolare i sistemi di trasporto pubblico come treni, metropolitane, autobus e così via utilizzando l'auto-organizzazione. È molto più efficace della maggior parte dei meccanismi di controllo che cercano di prevedere.
Ad esempio, in un sistema metropolitano, ogni volta che un treno raggiunge la stazione, ci sarà un numero diverso di passeggeri sul binario. Quindi gli approcci tradizionali dicono: "Devi aspettare tutto questo tempo alla stazione". E non consentono al treno di rimanere un po 'più a lungo se ci sono più passeggeri che vogliono entrare, o di rimanere meno se ci sono meno passeggeri. E se rilassi queste cose, la capacità del sistema può migliorare notevolmente .
Nel tuo progetto con la metropolitana di Città del Messico, cosa hai appreso di sorprendente?
Non ci aspettavamo che le persone iniziassero a fare la fila per salire sui treni. Speravamo che lasciassero spazio alle persone per uscire dai treni, ma non che si mettessero in coda. Quindi era inaspettato, ma funziona. Abbiamo raggiunto l'obiettivo, ma non abbiamo capito perché ha funzionato fino a quando non ha funzionato completamente.
Prima, le regole del gioco erano: se vuoi salire sul treno, devi spingere. E se non spingi, non sali sul treno, quindi anche se non vuoi spingere, devi farlo se vuoi salire a bordo. È un feedback che tutti stanno spingendo.
Quello che abbiamo ottenuto cambiando i segnali sulla piattaforma è stato cambiare le regole del gioco . Ora, se le persone fanno la fila per salire sul treno, hai un meccanismo in cui l'ambiguità di quando salirai a bordo del treno è sostituita da "il primo della fila è il primo a salire". Quindi non c'è più bisogno di spingere.
Quando le persone hanno iniziato a rendersene conto consciamente o inconsciamente, le persone che ancora spingevano sono state punite dal sistema. La gente diceva: "Aspetta, perché stai spingendo? Non c'è più bisogno di spingere! "
Quali sono alcune delle principali conclusioni che hai tratto dallo studio della complessità in diversi scenari?
Penso che la sfida più grande per migliorare la mobilità urbana non sia scientifica, ma politica e sociale.
Se dici "Miglioriamo la mobilità urbana", tutti saranno d'accordo. Nessuno vuole continuare come siamo e soffrire l'inquinamento, i costi economici, la perdita di tempo, lo stress e tutto il resto. Voglio dire, tutti saranno d'accordo. ma come farlo? Quindi tutti non sono d'accordo.
Quindi penso che la sfida più grande sia come possiamo sviluppare meccanismi di coordinamento per le soluzioni sviluppate dal governo e dalle aziende, dal mondo accademico e dal resto della società. Stiamo cercando di coinvolgere diversi settori e si stanno muovendo il più velocemente possibile. Ma queste cose richiedono anni e le situazioni peggiorano molto più velocemente.
Ora con la pandemia, abbiamo una visione di come possiamo davvero ridurre la mobilità quando siamo costretti a farlo. Ma vedremo se ne trarremo una lezione e riduciamo i nostri viaggi e cercheremo di fare più cose da remoto, o torneremo alle nostre vecchie abitudini con l'enorme fardello per tutti.
In questi giorni abbiamo promosso molto il ciclismo.
Sei un appassionato ciclista. Come se la cavano i ciclisti in una città con molto traffico automobilistico?
La maggior parte delle persone che conosco che studiano il traffico sono ciclisti perché è semplicemente il modo migliore per viaggiare in una città. Per medie distanze può essere una soluzione. Non per tutti. Ma vedrai nelle città che hanno investito in infrastrutture per la bicicletta, è uno stile di vita molto diverso e penso che tutti ne traggano vantaggio, anche quelli che non vanno in bicicletta, perché non ci sono così tante macchine.
Che consiglio daresti mentre entriamo in un futuro con intelligenza artificiale e auto a guida autonoma? Pensi che la burocrazia e i governi saranno ancora il più grande ostacolo piuttosto che l'effettivo sviluppo tecnologico?
Penso che le macchine stiano diventando sempre più integrate con noi, ma non credo che ci sostituiranno. Ci stanno aiutando ad estendere le nostre capacità cognitive e a coordinarci. Molto probabilmente, il processo decisionale sarà più distribuito. Ma alla fine ti imbatti in problemi di responsabilità, che torna alla sfida assicurativa: se un'auto a guida autonoma ha un incidente, di chi è la colpa? I proprietari? La casa automobilistica? Lo sviluppatore?
Molti di questi sistemi ci consentono di fare cose che non siamo stati in grado di fare. Ecco perché ci fidiamo di loro. Tuttavia, falliscono, quindi non dovremmo fidarci completamente di loro. Ecco perché dovremmo avere più resilienza possibile. L'auto-organizzazione ti dà questo: Ti dà la possibilità di adattarti mantenendo la funzionalità. Allora saremo meglio preparati ad aspettarci l'inaspettato, che possiamo aspettarci che arrivi.
Questa è la traduzione automatica di un articolo pubblicato su Quanta Magazine all’URL https://www.quantamagazine.org/complexity-scientist-beats-traffic-jams-through-adaptation-20200928/ in data Mon, 28 Sep 2020 15:15:54 +0000.