微軟、印度理工學院和TCS Research(Tata Consul tancy Services的研發部門)的研究人員，共同撰寫了一篇預印論文，裡面描述了一個人工智慧框架，旨在幫助城市和地區，根據COVID-19作出關於鎖定、關閉和物理距離的政策決策。他們聲稱，由於它會自動學習政策作為疾病參數的函數，如傳染性、妊娠期、症狀持續時間、死亡概率、人口密度和運動傾向，因此，優於迄今使用的其他建模工具。
並表示，這個框架可能對近200個有冠狀病毒病例的國家，其組織和政府有用。包括新加坡和台灣在內的亞洲國家已經證明，遏制戰略，如接觸追蹤，或辨識可能與感染者接觸的人的過程，可以有效地緩解COVID-19的傳播。
合著者首先生成了一個圖網路，一個包含一些對相關對象的模型，使得對象對應於頂點，每對頂點被稱為邊緣，其有100個節點和1000個個體。 每個節點都代表一個城市或一個包含一定數量個體的區域，節點對之間連接的強度，與節點之間的種群乘積成正比，與它們之間距離的平方根成反比。
接下來，研究人員模擬了COVID-19可用的最佳疾病參數：潛伏期為5～10天，感染期為7～14天，80%的可能性顯示可見症狀，2%的死亡率，以及與易感人群接觸的感染者100%的傳播概率，並進行了多次模擬，以獲得可靠的統計數據。
在整個研究過程中，研究人員假設一個開放節點允許人們往返於網路中的其他開放節點。表現出症狀的人不允許前往其他節點，但無症狀和暴露的人可以這樣做。（當一個節點被鎖定時，所有進出該節點的旅行都被阻塞）
此外，他們還解釋了一個事實，即雖然有症狀的人在節點內被隔離，但少數人打破了檢疫，並在節點內流通。
研究人員還制訂了幾個基線鎖定策略，其中他們假設每個節點都可以選擇每周鎖定或打開一次。 然後，他們定義了一組策略，如果該節點中，症狀人群的比例超過了5%、10%、20%、50%或超過100%的預定義閾值，則鎖定任何給定節點。
最後，該團隊訓練了一種深度Q網路強化學習算法（一種通過獎勵激勵軟體代理的算法），該算法每周通過對疾病傳播的一些模擬，做出每節點二進制決策 -「開放」或「鎖定」。 為了讓該算法確定鎖定的最佳策略，他們量化了模擬每個結果的成本：鎖定的每一天和每個感染者的權重為1.0；每次死亡的權重為2.5；獎勵被定義為這些成本的負值，以便更高的獎勵對應於較低的成本。
在實驗中，在75次模擬過程中，模擬持續52周（364天），研究人員確定，5%至10%的鎖定政策經歷了較低的感染高峰。可以預見的是，該政策對導致同一節點內症狀人群和總體人口比例增加的決定，持謹慎態度。因此，一旦感染開始擴散，它就會提前鎖定較大的節點，一旦感染開始在節點內擴散，外部感染的可能性就會更高的節點。
不過，需要注意的是，研究中的人工智慧模型沒有考慮人口規模和地理，他們沒有使用真實的數據進行網路模型。 但他們說，更深入的分析正在進行中，他們將繼續添加更詳細的描述和文獻綜述的階段。
除了這項研究，各個團隊正在開發人工智慧系統來追蹤COVID-19的傳播。例如，卡內基·梅隆大學（Carnegie Mellon University）的研究人員，正在重新訓練一種預測季節性流感的算法，而柏林的羅伯特·科赫研究所（Robert Koch Institute），使用了一種考慮到政府遏制措施的模型，如封鎖、隔離和社會隔離處方，以表明遏制措施可以成功地減少擴散。
本文為雷鋒網授權刊登，原文標題為「微軟正與印度理工學院合作開發 AI 建模工具，可幫助政府採取鎖定策略來抑制新冠病毒傳播」