Физики из Корнелльского университета использовали сложные математические выкладки и квантовую физику для анализа игроков Национальной баскетбольной ассоциации (NBA). Их исследование показывает, что поведение баскетболистов на площадке можно описывать и предсказывать с помощью уравнений, изначально созданных для моделирования поведения электронов и атомов.
Вместо того чтобы рассматривать игроков как отдельных людей, ученые использовали подход, похожий на расчет плотности частиц в квантовой системе. Они взяли огромные массивы данных о перемещениях игроков с точностью до сантиметра и преобразовали их в непрерывные «карты вероятности». Эти карты показывают не просто текущее положение баскетболиста, а то, где игрок скорее всего окажется в следующий момент и как его присутствие там повлияет на других игроков и исход атаки.
Квантовый подход позволил с высокой точностью спрогнозировать расположение защитников. Но не только это. Также сложные математические расчеты предсказали исходы атак игроков (промахнется ли баскетболист, заработает 2 или 3 очка за свой бросок). Точность оказалась сравнима, а иногда была даже выше, чем у традиционных статистических моделей. Несмотря на сложность расчетов, для получения результата соответствующей программе требовалось гораздо меньше исходных данных и предположений.
Физики Корнелла смогли также оценить мастерство защитника с точки зрения его позиции на поле: насколько хорошо игрок выбирает место, чтобы снизить вероятность успешной атаки соперника, независимо от его физических данных (рост, скорость, прыжок). Анализ показал: игроки, эффективно защищающие зону у кольца (центровые), как правило, хуже показывают себя на периметре. И наоборот.
Также исследование показало, что с помощью новой модели можно измерять «гравитацию» игроков. Так тренеры называют способность звезды NBA притягивать к себе внимание защитников, даже когда у спортсмена в руках нет мяча. Это позволяет провести успешную атаку другим игрокам.
Также новый метод позволяет выделить индивидуальное влияние игрока, отделив его от командных эффектов. Хотя модель обучали на очень детальных данных трекинга баскетболистов на площадке (пока собрать такие не просто), она открывает интересные новые горизонты в спорте. В будущем подобные системы смогут в реальном времени подсказывать игрокам оптимальные позиции. Тренеры смогут моделировать эффективность разных составов или даже оценивать «защитный интеллект» – скорость реакции игрока на развитие атаки. Это следующий уровень аналитики, где игроки рассматриваются как элементы сложной динамической системы, а не просто точку на схеме.
Алексей Акимов, научный директор Российского квантового центра (РКЦ), прокомментировал это достижение для Наука Mail:
В 1984 году Сергей Глебович Раутиан опубликовал работу под названием «Статистическая модель футбола», в которой он применил статистические методы физики для успешного описания и предсказания результатов футбольных матчей. Его попытка донести эту идею до руководителей спорта была не до конца удачной, ему ответили что-то вроде того, что про статистику мы ничего не знаем, но знаем, что побеждает сильнейший. Приятно, что эта работа не осталась забытой, и ученые из Корнелла подхватили идею. Только поскольку в Америке футбол не популярен, и даже его название изменено, то на сей раз статистические методы были использованы не для футбола, а для популярного в США баскетбола.
Российский эксперт также пояснил, что квантовая механика по сути представляет собой статистическую теорию, а потому она прекрасно подходит для любых статистических моделей:
Единственная проблема – она слишком сложна для моделей, не требующих учета квантовых эффектов. Казалось бы, проще решать классические статистические уравнения, чем квантовые с лишним и не используемым знанием. Но вот парадокс – люди приложили столько усилий для развития квантовой механики, что подчас им проще переписать классическую задачу на более знакомые уравнения квантовой механики, чем в лоб решать в рамках обычной статистики.
Алексей Акимов отметил, что в данном случае речь идет о квантово-вдохновлённым методе решения задачи. Хотя задача по существу не квантовая и метод расчета классический, пусть и заточенный под решения задач квантовой механики, но его использование дало интересный результат.
Ранее мы рассказывали о том, как искусственный интеллект (которому, к слову, прочат симбиоз с квантовым вычислениями) научился разбираться в фигурном катании, а также об очень точном роботе-теннисисте, созданном в MIT.