Els mètodes habituals per avaluar el risc d'un desastre —una inundació, una onada de calor, un col·lapse de la cadena de subministrament— necessiten haver vist abans esdeveniments semblants a les dades amb què s'entrenen. El problema és evident: un esdeveniment veritablement sense precedents, per definició, no hi és. Com recorda Themis Sapsis, professor d'enginyeria mecànica i oceànica al MIT, «quina serà la Katrina que passa cada 100 anys? Com de greu serà?».
Sapsis i el seu estudiant de doctorat Kai Chang, tots dos afiliats al Centre d'Enginyeria Computacional del MIT, han publicat a Nature Communications l'η-learning, un algorisme que genera escenaris extrems plausibles sense necessitar dades d'esdeveniments extrems previs. El mètode combina dos tipus d'informació: estadístiques de punt —les distribucions de probabilitat dels valors màxims que pot arribar a assolir una variable— i mapes espacials d'alta i baixa resolució. A partir d'aquesta combinació, el model aprèn els patrons habituals i després aplica restriccions estadístiques per generar escenaris més severs que qualsevol dels que ha vist durant l'entrenament, però que es mantenen estadísticament versemblants.
La contribució és rellevant perquè el sistema es planteja com a genèric: els autors l'han provat amb precipitacions i tempestes extremes, però assenyalen que es podria aplicar igual a inundacions, incendis forestals, ruptures de cadena de subministrament, ensulsiades de mercats financers o navegació robòtica, sempre que es disposi d'estadístiques de punt i dades espacials rellevants per al fenomen. En un moment en què, com recorden els autors, un sol esdeveniment extrem es pot propagar en setmanes per les cadenes de subministrament, els mercats energètics i el sistema alimentari, disposar d'escenaris plausibles de «pitjor cas» —durada, intensitat i àrea d'impacte probables— és una eina de planificació, no només de previsió meteorològica.
Es tracta d'un model estadístic generatiu, no d'una simulació física de com es desenvoluparia realment cada fenomen, i la seva utilitat depèn de la qualitat de les estadístiques de punt i les dades espacials disponibles per a cada aplicació concreta. Els autors mateixos el presenten com una eina de planificació de riscos, encara sense un desplegament real en un sistema d'alerta o gestió d'infraestructures que permeti confirmar-ne l'ús pràctic fora del laboratori.