Es invierno. Y como sabe cualquier viajero frecuente, el invierno puede significar retrasos en el clima del aeropuerto. Una tormenta de nieve en Minneapolis un importante centro de aeropuerto, puede conducir rápidamente a retrasos en el agradable Miami o el brumoso Londres.

Para minimizar las interrupciones, Los analistas de control de tráfico aéreo trabajan para priorizar los esfuerzos de recuperación. Pero con tantas variables, les resulta difícil hacer recomendaciones seguras. Pero este es solo el tipo de problema basado en datos para el que se puede programar una computadora para resolver. El problema es el tiempo. Los métodos actuales no son lo suficientemente rápidos para proporcionar soluciones en tiempo real.

Ahora, un equipo de investigación dirigido por informáticos en PNNL ha desarrollado una nueva herramienta Graph, llamado ondulaciones, que puede resolver un problema complejo de análisis de gráficos como el análisis de interrupciones en aeropuertos en menos de un minuto en una supercomputadora. La mejor herramienta comparable puede llevar un día entero en una computadora normal para resolver el mismo problema. Un día, El hito informático puede hacer que el análisis de los efectos de la red, como las interrupciones del tráfico aéreo, esté disponible para los tomadores de decisiones en tiempo real.

"Nuestro enfoque aprovecha una rigurosa metodología de análisis de redes sociales, formalmente conocido como el problema de maximización de la influencia, y lo escala para que se ejecute en plataformas informáticas paralelas altamente eficientes, "dijo Arun Sathanur, un científico informático de la PNNL que dirigió el trabajo de modelado del aeropuerto. "Estos modelos se destacan para encontrar entidades influyentes, analizar el impacto de la conectividad, y señalar dónde las interrupciones tienen el mayor efecto dominó en cascada ".

El equipo de investigación que también incluye investigadores de Northeastern University y el Volpe National Transportation Systems Center del Departamento de Transporte, presentó su análisis de la red de aeropuertos en el Simposio Internacional IEEE sobre Tecnologías para la Seguridad Nacional en noviembre de 2019.

Utilizando datos disponibles públicamente proporcionados por la Administración Federal de Aviación del Departamento de Transporte, agruparon los aeropuertos en grupos de influencia y mostraron qué aeropuertos son los más influyentes, así como también cómo cambia la lista de "influencers" más importantes a lo largo del año calendario.

Los hallazgos proporcionan una prueba de principio, que eventualmente podría usarse para gestionar las interrupciones de la red del aeropuerto, Añadió Sathanur.

"Ripples proporciona una herramienta poderosa para la planificación y las operaciones estratégicas proactivas, y tiene una amplia aplicabilidad en los sistemas de infraestructura de transporte en red, "dijo Sam Chatterjee, científico de investigación de operaciones de la PNNL e investigador principal del trabajo de modelización del aeropuerto dirigido por Sathanur.

La logística definitiva

En un mundo cada vez más congestionado, Ser capaz de restaurar rápidamente el servicio después de fallas accidentales de los sistemas o violaciones de seguridad cibernética sería un gran beneficio. Este es el ámbito del análisis de redes, que se desarrolló por primera vez para comprender cómo las personas en las redes sociales están conectadas entre sí. Cada vez más, El análisis de red y el análisis visual se utilizan para hacer cosas como detectar el acceso no autorizado a las redes informáticas, detectar relaciones entre proteínas en tumores cancerosos, y resolver dilemas de congestión del transporte como el problema de congestión de la red del aeropuerto.

Sin embargo, para que los resultados del análisis sean fiables, Se debe realizar una secuencia de cálculos para calcular el margen de influencia. Esto resulta ser un problema computacionalmente difícil, dijo Mahantesh Halappanavar, científico senior de PNNL e investigador principal de ExaGraph, un centro de codiseño de aplicaciones financiado por el Proyecto de Computación Exascale del Departamento de Energía (DOE).

"Para muchos escenarios del mundo real, no siempre está claro cómo asignar un peso exacto a la fuerza de las conexiones entre entidades individuales en la red, ", dijo." Nosotros, por lo tanto, repetir simulaciones con múltiples configuraciones para aumentar la confianza de las soluciones calculadas ". Incluso cuando los pesos son bien conocidos, el método aún se basa en realizar una gran cantidad de simulaciones para identificar entidades influyentes.

Calculan los influencers más importantes de cualquier grupo ejecutando estas simulaciones repetidas de un modelo de cascada de influencia hasta llegar a una estimación precisa. Este enfoque es lo que hace que sea desalentador encontrar incluso un pequeño conjunto de personas influyentes importantes en una red moderadamente grande. tardando días en completarse.

Es por eso que la dramática mejora de Ripples en la velocidad de solución es tan significativa.

"Concentrarse en las entidades más influyentes en las grandes redes puede consumir mucho tiempo, "dijo Ananth Kalyanaraman, un co-desarrollador de la cátedra centenaria de Ripples y Boeing en ciencias de la computación en la Escuela de Ingeniería Eléctrica y Ciencias de la Computación, Universidad Estatal de Washington, en Pullman. "Ondas, y su nueva variante cuRipples, utiliza una estrategia de explotación de cantidades masivas de potencia informática, incluidos los que se encuentran en unidades modernas de procesamiento de gráficos para buscar la entidad 'siguiente más influyente' durante su búsqueda ".

Respuestas confiables

Más lejos, Ripples se basa en la solución que viene con lo que se llama "garantía de aproximación, "que permite al usuario compensar la calidad de la solución con el tiempo para calcular una solución, al mismo tiempo que tiene la capacidad de juzgar la calidad de la solución calculada. Los equipos basados ​​en PNNL y WSU trabajaron en estrecha colaboración para escalar la herramienta Ripples de manera eficiente en las supercomputadoras más rápidas administradas por DOE.

Esta estrategia permite a Ripples converger de manera eficiente en una solución de mayor calidad, hasta 790 veces más rápido que los métodos anteriores no diseñados para sistemas paralelos.

"Si pudiéramos converger en una solución en menos de un minuto, podemos empezar a utilizar esto como una herramienta interactiva, "dice Marco Minutoli en PNNL, el desarrollador principal de Ripples. "Podemos hacer y responder nuevas preguntas casi en tiempo real".

Los científicos de PNNL ya están haciendo precisamente eso. Han comenzado a usar Ripples para procesar cantidades masivas de datos y encontrar a los influencers más importantes en:

• Identificar las especies más importantes dentro de una comunidad de microorganismos del suelo, ya que responde a los cambios de humedad;
• Hacer un seguimiento de la propagación de enfermedades infecciosas y sugerir estrategias de contención para controlar la propagación de una epidemia; y
• Identificar los componentes más importantes en las muestras de aire para incluirlos en modelos climáticos detallados para estudiar su influencia en la contaminación del aire.

"A lo mejor de nuestro conocimiento, Este es el primer esfuerzo para paralelizar la operación de maximización de influencia a escala, "dijo Minutoli.

El equipo de investigación ha puesto el método a disposición de la comunidad de investigadores en Github. Están planeando el próximo gran avance (cuRipples), que será optimizar el método en Summit, la supercomputadora más rápida del mundo.