Физики вычислили, как улучшить игру в баскетбол

❋ 4.3

Ученые из Корнеллского университета (США) адаптировали метод расчета электронной структуры систем многих частиц, который применяется в квантовой физике и квантовой химии, для спортивной аналитики. Исследователи изучили позиционирование баскетболистов на площадке, чтобы спрогнозировать вероятное число победных очков.

Физика

# аналитика

# баскетбол

# данные

# квантовая механика

# спорт будущего

Местоположение игроков нападения (красные круги) преобразуется в матрицу плотностей нападения, точно так же плотность защиты прогнозируется, исходя из позиций игроков защиты (синие круги) / © Boris Barron et al.

За основу исследователи взяли расширенную модель классической теории функционала плотности (Density Functional Theory, или DFT). Этот метод, востребованный в квантовой механике, может быть полезен для анализа данных в любых коллективных системах. Например, подход применим для моделирования поведения толпы на концерте, организации групп насекомых или расовой сегрегации в городах.

В более раннем исследовании модель, основанная на (DFT), предлагала наиболее выигрышное для каждого спортсмена положение на баскетбольной площадке по заданному сценарию, что повышало бы их шансы на победу. Но как изменилась бы вероятность конкретного результата, того же трехочкового броска, если бы игрок находился в другом месте или был заменен другим?

Проблему решает расширенный подход — так называемая теория флуктуации функционала плотности (Density Functional Fluctuation Theory, или DFFT), который позволяет определять вероятность успешного забивания или защиты, используя реалистичные наборы данных и минимальный набор предположений. В частности, основное предположение заключается в том, что точное местоположение членов команды может быть преобразовано в «плотности игроков». Это обеспечивает совокупное понимание позиции (например, отсутствие игроков близко к кольцу и существенное присутствие защитников около трехочковой линии).

Задачей ученых было просчитать, сколько очков наберут командные действия в нападении, учитывая расположение десяти игроков и мяча. Научная группа использовала данные отслеживания спортсменов с начала сезона НБА 2022-2023-х по 20 января 2023 года, полученные с помощью технологий компьютерного зрения и машинного обучения. Такой продукт создала для баскетбольных тренеров компания Second Spectrum: с помощью детальных тепловых карт и траектории движения игроков анализируются миллионы игровых ситуаций, выявляя слабые и сильные стороны клубов.

Команда проанализировала поведение 50 самых результативных игроков, чаще всего выходивших за четыре месяца на площадку. Включили в совокупность данных особый пример — разыгрывающего «Голден Стэйт» Стефена Карри, рекордсмена НБА по количеству трехочковых бросков. Исследователи изучили позиции игроков и мяча в их руках не более чем за три секунды до броска. Обучая модель DFFT на массивном наборе данных, физики спрогнозировали, где вероятнее всего будет находиться отдельный игрок и какой результат получит.

Кроме того, учитывалась «гравитация» игрока, когда без мяча он притягивает к себе защитников просто потому, что его бросковая способность представляют угрозу. У Карри, например, она оказалась очень высокой вблизи трехочковой линии, а вот вблизи кольца гравитация была немного меньше, чем у типичного баскетболиста.

Следующим шагом будет изучение концепции «защитного IQ», или совокупности инстинктов спортсмена и его способности предугадывать сценарий до его развития: спортивная аналитика способна превращать большие данные в золотые медали.

Научная работа опубликована в журнале Scientific Reports.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl (Cmd) + Enter.