超級電腦告訴你：你在飛機上感染病毒的風險有多大？
飛機一直有細菌培養皿之稱，但同樣的，也有方法能將風險降到最低。
基於人類與動物群體運動的歷史研究，科學家們提出來三條基本規則：離那些聚集在一起的人遠點；和那些彼此保持遠距離的人們近點；和周圍人們的行動方向保持一致。
該研究尤其適用於航空旅行，因為身處其中時，會增加感染傳染性疾病的風險。
圖自pexels
西佛羅里達大學的電腦教授Ashok Srinivasan表示：「登機的時候人們會被迫站在一起，距離非常近。共同使用的區域越多，就越危險。但下飛機的速度會快得多，也比登機順利，時間就縮短了。」
Srinivasan是一位行人動力學模型的研究員，該模型近日正被用於分析如何降低飛機上的疾病傳播風險。
多年來，科學家們最常依賴的是SPED模型，即將每一個個體都視為一個例子。在該模型中，粒子之間的吸引與排斥控制著它們的運動，一個粒子就相當於一個人類。
Srinivasan表示：「SPED模型通過改變粒子間相互作用的參數值，使之在反應人與人之間相互作用的同時，維持了原有的功能形式。」
Srinivasan及其同事曾用SPED模型分析2015年埃博拉病毒爆發的風險，但該模型有一個缺陷——速度慢。這導致很難使用該模型提供及時的決策，然而在類似COVID-19這樣的疫情下，人們需要的是一個能夠快速得出答案的方案。
圖自TACC
在2019年的排名中，Frontera是世界第五大超級電腦，也是最快的學術超級電腦。
因此，研究人員人員，建立一個與SPED相同、但速度更快的模型是有必要的。據此，他們提出來CALM模型，用於模擬人群中受約束的個體線性運動。它生成的結果與SPED相似，但運行速度要比SPED快得多。
研究結果表明，CALM的運行速度幾乎是SPED的60倍。除了性能上的提升，研究人員還用CALM創建了額外的行人行為參數。
Srinivasan表示：「CALM克服了SPED在實時決策上的局限性。」
Frontera的計算工作
為了能高效運行，科學家們重新設計了CALM模型，尤其是在GPU處理上。
「但有一個問題是，是否涵蓋了足夠多的場景，以覆蓋各種可能性，」Srinivasan說道，「通過Frontera，我們進行了足夠大規模的模擬，並得到了答案。」
圖自TACC
Frontera六個Mellanox InfiniBand網路核心交換機之一，其用途是用於路由伺服器節點之間的通訊。每根電纜的頻寬達到每秒200千兆位元組，每個核心交換機有600根電纜。
實際情況中，由於不確定性太多，尤其是在流行病的早期階段，要進行精確的測算是不可能的，因此該研究在計算上的挑戰性不低。
Srinivasan表示：「我們需要涵蓋大量的可能性，這會導致CPU的佔用率很高。」
研究人員利用三種不同類型飛機的離崗時間來驗證他們的研究結果。由於單一的模擬無法捕捉人類運動模式的多樣性，於是他們便用1000種不同的數值組合進行模擬，並將其與經驗數據進行比較。
使用Frontera的GPU子系統，研究人員能夠將計算時間減少到1.5分鐘。
模型不捕捉極端事件？
Srinivasan希望人們能夠理解，科學模型往往無法精確地捕捉到極端時事件和特殊場景。儘管他們已經對飛行進行了數次深入的實證調查以了解人類行為與物體表面及空氣清潔度之間的關係。但重大的感染暴發是一種極端事件，建立在典型情況之上的數據可能無法捕捉到這種極端情況。
飛機離地模擬模擬圖自Ashok Srinivasan, Professor, Department of Computer Science, University of West Florida
每天平均有10萬個航班，僅僅因為航班數量如此之多，就有可能會出現一次極低概率的事件引爆一場感染事件的情形發生。
Srinivasan舉了一個例子。
「人們一般會認為，飛機上發生的感染傳播會出現在病人的前後兩排座位中。非典爆發期間，幾架發生了感染傳播的航班上的情況就基本是如此。但一次爆發，前後兩排的感染者實則只佔一般，另一半感染者的座位距離那兩排還有段距離。
因此人們可能會將此次爆發當成一次離群現象，然而離群者的影響才是最大的，最後便導致航班上最終的感染者數量相當大。」
圖自TACC
目前關於COVID-19的普遍認知是，一個感染者會導致2.5人患病。但其中也有一些社群中的超級傳播者感染大量人群，從而在疫情爆發中起到了推波助瀾的作用。Srinivasan表示，這些極端事件會影響到建模的精確度，從而令預測變得十分困難。
一些實用的建議
Srinivasan說道：「即使你與患者的距離超過了6英尺（1.8米），也仍有感染病毒的風險。」有的理論模型有可能忽略了空氣流動的作用，就像氣球隨風飄遠一樣，攜帶著病毒的飛沫也可能會沿著氣流而飛得更遠。
這些因素並非僅存在於理論層面上。新加坡就曾在佚名患者使用過的廁所的排氣口檢測出新冠病毒陽性。
Srinivasan總結道：「模型無法解釋現實中的所有因素。風險很高時，人們可能寧求穩妥。」
