KI-Modelle und Plattformen
MIT-Rahmenwerk hält KI-Modelle chaotischer Systeme innerhalb physikalischer Grenzen

Wichtige PunkteDas Framework erzwingt Dissipation durch sein Design, um beschränkte Trajektorien über…
Mehr anzeigen
- Das Framework erzwingt Dissipation durch sein Design, um beschränkte Trajektorien über beliebig lange Vorhersagefenster zu garantieren.
- Eine modulare Projektionsschicht wendet eine gelernte Energiebeschränkung an, ohne die chaotische Variation zu unterdrücken, die Modelle erfassen müssen.
- Die Leistung bei realistischem Wetter bleibt ungetestet, daher ist die Wirkung der Garantie auf die Langzeitstatistik noch offen.
Forschende am MIT haben ein Framework für maschinelles Lernen entwickelt, das begrenzte Trajektorien für KI-Modelle chaotischer Systeme garantiert. Es soll Simulationen entgegenwirken, deren Werte bei langen Laufzeiten in physikalisch unmögliche Bereiche abdriften können. MIT gab die Arbeit am 20. November 2026 bekannt.
Die Forschung des Promovierenden Sunbochen Tang und der Professoren Navid Azizan und Themistoklis Sapsis befasst sich mit Modellen für Wetter, Klima, Turbulenzen und andere nichtlineare Prozesse. Ihre Arbeit in den Proceedings der National Academy of Sciences wurde am 12. Oktober 2026 online veröffentlicht und erschien in der Ausgabe der Zeitschrift vom 20. Oktober 2026.
Chaotische Systeme reagieren äußerst empfindlich auf ihre Anfangsbedingungen, sodass winzige Unterschiede drastisch unterschiedliche Ergebnisse hervorrufen können. Ein neuronales Netz kann Daten über einen kurzen Zeitraum gut abbilden und dennoch versagen, wenn es weiterläuft: Kleine Fehler können sich so lange aufsummieren, bis die simulierten Werte unbegrenzt anwachsen, obwohl das reale System begrenzt bleibt. Dadurch können Schätzungen langfristiger Statistiken ungültig werden – ein zentrales Ziel bei der Modellierung dissipativer chaotischer Systeme.
Die Garantie betrifft daher das begrenzte Verhalten über lange Zeiträume und nicht die exakte Vorhersage einzelner Punkte weit in der Zukunft. Ziel ist es, aussagekräftige Langzeitstatistiken zu erhalten, ohne die komplexen Schwankungen zu unterdrücken, die das System chaotisch machen. Wie Azizan es ausdrückte: „Chaos bedeutet nicht, dass alles passieren kann. Diese Systeme bleiben oft begrenzt, und das sollten auch ihre Modelle.“
So funktioniert die harte Nebenbedingung
Das Framework lernt gleichzeitig einen Dynamik-Emulator, der vorhersagt, wie sich das System entwickelt, und eine energieähnliche Darstellung. Diese Darstellung dient dazu, innerhalb einer Projektionsschicht eine algebraische Dissipationsbedingung zu formulieren, die die vorhergesagte Entwicklung des Modells anpasst. Außerhalb einer erlernten Grenze muss die energieähnliche Größe abnehmen. Dadurch werden die Trajektorien in Richtung des begrenzten Bereichs gelenkt, während chaotisches Verhalten innerhalb dieses Bereichs möglich bleibt.
Laut der Arbeit wird die Dissipation durch diese Konstruktion von vornherein erzwungen; zudem liefert sie formale Garantien dafür, dass Trajektorien über beliebig lange Vorhersagezeiträume begrenzt bleiben. Die erlernte Energiegrenze liefert außerdem eine äußere Abschätzung des seltsamen Attraktors des Systems, dessen komplexe Geometrie sich nur schwer direkt beschreiben lässt.
Tang zufolge müssen weiche Straf- oder Belohnungsterme, die während des Trainings eingesetzt werden, nicht greifen, wenn ein eingesetztes Modell mit neuen Eingaben konfrontiert wird. Unbegrenzte Vorhersagen bleiben daher möglich. Beliebige Obergrenzen können die Ausgaben zwar innerhalb eines gewählten Limits halten, zugleich aber die Fähigkeit des Modells einschränken, komplexe Merkmale abzubilden, die es aus den Daten lernen sollte. Die Projektionsschicht ist modular und modellunabhängig und lässt sich daher mit unterschiedlichen Architekturen neuronaler Netze verwenden.
Demonstrationen und verwandte Forschung
MIT berichtet, dass der Ansatz in Tests – von Lehrbuchsystemen bis hin zu komplexen mehrdimensionalen Fällen – die tatsächlichen Ergebnisse eng nachbildete, während herkömmliche Methoden zu unmöglichen Vorhersagen führten. Zu den veröffentlichten Demonstrationen gehören Lorenz 96 und ein Modell reduzierter Ordnung der Kuramoto–Sivashinsky-Gleichung. Dabei lieferte die Methode begrenzte Vorhersagen über lange Zeiträume, die invariante Statistiken bewahrten.
Eine verwandte Arbeit zum energiebegrenzten Operator von Andrea Goertzen, Tang und Azizan wurde am 7. Juni 2026 veröffentlicht. Sie stellte eine geschlossene quadratische Projektionsschicht vor und berichtete über stabile Vorhersagen über lange Zeiträume, die invariante Statistiken für Systeme erfassten, die durch die Kuramoto–Sivashinsky- und die Navier–Stokes-Gleichung beschrieben werden. Beide Arbeiten nutzen energiebezogene Bedingungen aus der Regelungstheorie, um Vorhersagen anzugehen, deren unbegrenztes Wachstum eine aussagekräftige Auswertung langfristiger Statistiken verhindert.
Verfügbarkeit und der nächste Test
Die Algorithmen und der Computercode wurden auf GitHub hinterlegt; die Arbeit und der quelloffene Code sind online zugänglich. Die Forschenden hoffen, dass andere Teams auf der modularen Schicht aufbauen und sie an größeren, komplexeren Problemen testen werden.
Das Team plant, nach und nach größere Systeme sowie datengesteuerte Modelle realistischen Wetters zu testen. Ob die Methode bei realistischem Wetter funktioniert, ist daher weiterhin eine offene Forschungsfrage: Der unmittelbare Beitrag besteht in einer formalen Begrenzung unkontrolliert wachsender Simulationen. In den nächsten Tests muss sich zeigen, wie sich diese Garantie auf den Nutzen der langfristigen Statistiken der Modelle auswirkt.












