É inverno. E como qualquer viajante frequente sabe, o inverno pode significar atrasos no tempo do aeroporto. Uma nevasca em Minneapolis, um importante hub de aeroporto, pode rapidamente levar a atrasos na amena Miami ou na neblina Londres.

Para minimizar interrupções, os analistas de controle de tráfego aéreo trabalham para priorizar os esforços de recuperação. Mas com tantas variáveis, é difícil para eles fazer recomendações confiáveis. Mas esse é exatamente o tipo de problema baseado em dados que um computador pode ser programado para resolver. A questão é o tempo. Os métodos atuais não são rápidos o suficiente para fornecer soluções em tempo real.

Agora, uma equipe de pesquisa liderada por cientistas da computação no PNNL desenvolveu uma nova ferramenta Graph, chamado Ripples, que pode resolver um problema complexo de análise gráfica, como análise de interrupção de aeroporto em menos de um minuto em um supercomputador. A melhor ferramenta comparável pode levar um dia inteiro em um computador normal para resolver o mesmo problema. Um dia, o marco da computação pode disponibilizar a análise dos efeitos da rede, como interrupções no tráfego aéreo, para os tomadores de decisão em tempo real.

"Nossa abordagem alavanca uma metodologia de análise de rede social rigorosa, formalmente conhecido como o problema de maximização de influência, e dimensiona-o para funcionar em plataformas de computação paralela altamente eficientes, "disse Arun Sathanur, um cientista da computação do PNNL que liderou o trabalho de modelagem do aeroporto. "Esses modelos são excelentes para encontrar entidades influentes, analisando o impacto da conectividade, e apontando onde as interrupções têm o maior efeito cascata em cascata. "

A equipe de pesquisa, que também inclui pesquisadores da Northeastern University e do Volpe National Transportation Systems Center do Departamento de Transporte, apresentaram sua análise de rede de aeroportos no Simpósio Internacional IEEE sobre Tecnologias para Segurança Interna em novembro de 2019.

Usando dados publicamente disponíveis fornecidos pela Administração Federal de Aviação do Departamento de Transporte, eles agruparam aeroportos em grupos de influência e mostraram quais aeroportos são os mais influentes, e também como a lista de "influenciadores" mais importante muda ao longo do ano.

Os resultados fornecem uma prova de princípio, que poderia eventualmente ser usado para gerenciar interrupções na rede do aeroporto, Sathanur adicionado.

"O Ripples fornece uma ferramenta poderosa para planejamento estratégico proativo e operações, e tem ampla aplicabilidade em sistemas de infraestrutura de transporte em rede, "disse Sam Chatterjee, um cientista de pesquisa operacional no PNNL e investigador principal do trabalho de modelagem de aeroporto liderado por Sathanur.

A melhor logística

Em um mundo cada vez mais congestionado, ser capaz de restaurar rapidamente o serviço após falhas acidentais de sistemas ou violações de segurança cibernética seria um grande benefício. Este é o reino da análise de rede, que foi desenvolvido primeiro para entender como as pessoas nas redes sociais estão conectadas umas às outras. Cada vez mais, análise de rede e analítica visual estão sendo usadas para fazer coisas como detectar o acesso não autorizado a redes de computadores, detectar relações entre proteínas em tumores cancerosos, e resolver dilemas de congestionamento de transporte, como o problema de congestionamento da rede de aeroportos.

Contudo, para que os resultados da análise sejam confiáveis, uma seqüência de cálculos para calcular a propagação da influência deve ser executada. Isso acaba sendo um problema computacionalmente difícil, disse Mahantesh Halappanavar, cientista sênior do PNNL e investigador principal da ExaGraph, um centro de co-design de aplicações financiado pelo Projeto de Computação Exascale do Departamento de Energia (DOE).

"Para muitos cenários do mundo real, nem sempre é claro como atribuir peso preciso à força das conexões entre entidades individuais na rede, "ele disse." Nós, Portanto, repetir simulações com várias configurações para aumentar a confiança das soluções computadas. "Mesmo quando os pesos são bem conhecidos, o método ainda depende da realização de um grande número de simulações para identificar entidades influentes.

Eles estimam os influenciadores mais importantes em qualquer grupo executando essas simulações repetidas de um modelo de cascata de influência até chegarem a uma estimativa precisa. Essa abordagem é o que torna difícil encontrar até mesmo um pequeno conjunto de influenciadores importantes em uma rede moderadamente grande, levando dias para ser concluído.

É por isso que a melhoria dramática do Ripples na velocidade de solução é tão significativa.

"Concentrar-se nas entidades mais influentes em grandes redes pode rapidamente se tornar demorado, "disse Ananth Kalyanaraman, um co-desenvolvedor da cadeira centenária Ripples e Boeing em ciência da computação na Escola de Engenharia Elétrica e Ciência da Computação, Washington State University, em Pullman. "Ondinhas, e sua mais nova variante cuRipples, usa uma estratégia de explorar grandes quantidades de poder de computação, incluindo aqueles em unidades de processamento gráfico modernas para buscar a entidade 'próxima mais influente' durante sua pesquisa. "

Respostas confiáveis

Avançar, O Ripples é baseado na solução que vem com o que é chamado de "garantia de aproximação, "que permite ao usuário negociar a qualidade da solução com o tempo para computar uma solução, ao mesmo tempo que tem a capacidade de julgar a qualidade da solução calculada. As equipes baseadas em PNNL e WSU trabalharam juntas para dimensionar a ferramenta Ripples com eficiência nos supercomputadores mais rápidos gerenciados pelo DOE.

Essa estratégia permite que o Ripples convirja com eficiência para uma solução de alta qualidade, até 790 vezes mais rápido do que os métodos anteriores não projetados para sistemas paralelos.

"Se pudéssemos convergir para uma solução em menos de um minuto, podemos começar a usar isso como uma ferramenta interativa, "diz Marco Minutoli do PNNL, o desenvolvedor líder do Ripples. "Podemos fazer e responder novas perguntas quase em tempo real."

Os cientistas do PNNL já estão fazendo exatamente isso. Eles começaram a usar o Ripples para processar grandes quantidades de dados e encontrar os influenciadores mais importantes em:

• Identificar as espécies mais importantes dentro de uma comunidade de microrganismos do solo conforme ela responde às mudanças na umidade;
• Rastrear a propagação de doenças infecciosas e sugerir estratégias de contenção para controlar a propagação de uma epidemia; e
• Identificar os componentes mais importantes em amostras de ar para inclusão em modelos climáticos detalhados para estudar sua influência na poluição do ar.

"Para o melhor de nosso conhecimento, este é o primeiro esforço em paralelizar a operação de maximização de influência em escala, "disse Minutoli.

A equipe de pesquisa disponibilizou o método para a comunidade de pesquisa no Github. Eles estão planejando o próximo grande avanço (cuRipples), que será otimizar o método no Summit, o supercomputador mais rápido do mundo.