Μοντέλα και πλατφόρμες AI
Πλαίσιο του MIT κρατά τα μοντέλα χαοτικών συστημάτων της τεχνητής νοημοσύνης εντός φυσικών ορίων

Βασικά σημείαΤο πλαίσιο επιβάλλει τη διασπορά εκ σχεδιασμού για να εγγυάται φραγμένες τροχιές σε…
Δείτε περισσότερα
- Το πλαίσιο επιβάλλει τη διασπορά εκ σχεδιασμού για να εγγυάται φραγμένες τροχιές σε αυθαίρετα μεγάλα παράθυρα πρόγνωσης.
- Ένα αρθρωτό επίπεδο προβολής εφαρμόζει έναν μαθημένο ενεργειακό περιορισμό χωρίς να καταστέλλει τη χαοτική διακύμανση που τα μοντέλα πρέπει να αποτυπώνουν.
- Η απόδοση σε ρεαλιστικές καιρικές συνθήκες παραμένει αδοκίμαστη, οπότε η επίδραση της εγγύησης στις μακροπρόθεσμες στατιστικές είναι ακόμη ανοιχτή.
Ερευνητές του MIT ανέπτυξαν ένα πλαίσιο μηχανικής μάθησης που εγγυάται φραγμένες τροχιές για μοντέλα τεχνητής νοημοσύνης χαοτικών συστημάτων, αντιμετωπίζοντας το πρόβλημα των προσομοιώσεων που, σε μακροχρόνιες εκτελέσεις, μπορεί να αποκλίνουν προς φυσικά αδύνατες τιμές. Το MIT ανακοίνωσε την εργασία στις 20 Νοεμβρίου 2026.
Η έρευνα του μεταπτυχιακού φοιτητή Sunbochen Tang και των καθηγητών Navid Azizan και Themistoklis Sapsis αφορά μοντέλα καιρού, κλίματος, τύρβης και άλλων μη γραμμικών διεργασιών. Η εργασία τους στα Πρακτικά της National Academy of Sciences δημοσιεύτηκε διαδικτυακά στις 12 Οκτωβρίου 2026 και συμπεριλήφθηκε στο τεύχος του περιοδικού της 20ής Οκτωβρίου 2026.
Τα χαοτικά συστήματα είναι εξαιρετικά ευαίσθητα στις αρχικές συνθήκες, επομένως μικροσκοπικές διαφορές μπορούν να οδηγήσουν σε δραματικά διαφορετικά αποτελέσματα. Ένα νευρωνικό δίκτυο μπορεί να προσαρμόζεται στα δεδομένα για σύντομο χρονικό διάστημα, αλλά και πάλι να αποτυγχάνει αν αφεθεί να λειτουργεί: μικρά σφάλματα μπορεί να συσσωρευτούν, ώσπου οι προσομοιωμένες τιμές του να αυξηθούν απεριόριστα, παρότι το πραγματικό σύστημα παραμένει φραγμένο. Αυτή η συμπεριφορά μπορεί να ακυρώσει τις εκτιμήσεις των μακροχρόνιων στατιστικών, που αποτελούν κεντρικό στόχο της μοντελοποίησης διαχυτικών χαοτικών συστημάτων.
Επομένως, η εγγύηση αφορά τη φραγμένη συμπεριφορά σε βάθος χρόνου και όχι την ακριβή πρόβλεψη κάθε σημείου στο μακρινό μέλλον. Στόχος είναι να διατηρούνται έγκυρα τα μακροχρόνια στατιστικά στοιχεία, χωρίς να καταστέλλονται οι σύνθετες διακυμάνσεις που κάνουν το σύστημα χαοτικό. Όπως το έθεσε ο Azizan: «Το χάος δεν σημαίνει ότι μπορεί να συμβεί οτιδήποτε. Αυτά τα συστήματα συχνά παραμένουν φραγμένα, και το ίδιο θα πρέπει να ισχύει και για τα μοντέλα τους.»
Πώς λειτουργεί ο αυστηρός περιορισμός
Το πλαίσιο μαθαίνει ταυτόχρονα έναν προσομοιωτή δυναμικής, ο οποίος προβλέπει πώς εξελίσσεται το σύστημα, και μια αναπαράσταση που μοιάζει με ενέργεια. Η αναπαράσταση αυτή χρησιμοποιείται για τη διαμόρφωση ενός αλγεβρικού περιορισμού διάχυσης μέσα σε ένα επίπεδο προβολής, το οποίο προσαρμόζει την προβλεπόμενη εξέλιξη του μοντέλου. Έξω από ένα όριο που έχει μάθει το μοντέλο, η ποσότητα που μοιάζει με ενέργεια πρέπει να μειώνεται, κατευθύνοντας τις τροχιές προς τη φραγμένη περιοχή, ενώ επιτρέπει χαοτική συμπεριφορά στο εσωτερικό της.
Η εργασία αναφέρει ότι αυτή η κατασκευή επιβάλλει εκ σχεδιασμού τη διάχυση και παρέχει τυπικές εγγυήσεις ότι οι τροχιές παραμένουν φραγμένες, για παράθυρα πρόβλεψης αυθαίρετα μεγάλης διάρκειας. Το μαθημένο ενεργειακό όριο παρέχει επίσης μια εξωτερική εκτίμηση του παράξενου ελκυστή του συστήματος, του οποίου η σύνθετη γεωμετρία δυσκολεύει τον άμεσο χαρακτηρισμό του.
Ο Tang είπε ότι οι ήπιες ποινές ή τα κίνητρα που εφαρμόζονται κατά την εκπαίδευση δεν είναι απαραίτητο να ισχύουν όταν ένα μοντέλο που έχει τεθεί σε λειτουργία αντιμετωπίζει νέα δεδομένα εισόδου, επομένως οι προβλέψεις του μπορεί και πάλι να είναι απεριόριστες. Αυθαίρετα ανώτατα όρια μπορούν να κρατήσουν τις εξόδους εντός ενός επιλεγμένου ορίου, αλλά ενδέχεται επίσης να περιορίσουν την ικανότητα του μοντέλου να αναπαριστά σύνθετα χαρακτηριστικά που θα έπρεπε να μαθαίνει από τα δεδομένα. Το επίπεδο προβολής είναι αρθρωτό και ανεξάρτητο από το μοντέλο, οπότε μπορεί να λειτουργήσει με διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων.
Επιδείξεις και συναφής έρευνα
Το MIT αναφέρει ότι η προσέγγιση παρακολούθησε στενά τα πραγματικά αποτελέσματα σε δοκιμές που κυμαίνονταν από συστήματα σχολικών εγχειριδίων έως σύνθετες πολυδιάστατες περιπτώσεις, ενώ οι συμβατικές μέθοδοι κατέληγαν σε αδύνατες προβλέψεις. Οι δημοσιευμένες επιδείξεις περιλαμβάνουν το Lorenz 96 και ένα μοντέλο μειωμένης τάξης της εξίσωσης Kuramoto–Sivashinsky, όπου η μέθοδος παρήγαγε φραγμένες προβλέψεις μεγάλου χρονικού ορίζοντα, διατηρώντας τα αναλλοίωτα στατιστικά.
Μια συναφής εργασία για τελεστή με περιορισμό ενέργειας των Andrea Goertzen, Tang και Azizan δημοσιεύτηκε στις 7 Ιουνίου 2026. Παρουσίασε ένα επίπεδο τετραγωνικής προβολής κλειστής μορφής και ανέφερε σταθερές προβλέψεις μεγάλου χρονικού ορίζοντα, οι οποίες αποτύπωναν τα αναλλοίωτα στατιστικά συστημάτων που διέπονται από τις εξισώσεις Kuramoto–Sivashinsky και Navier–Stokes. Και οι δύο εργασίες αξιοποιούν ενεργειακές συνθήκες από τη θεωρία ελέγχου για να αντιμετωπίσουν προβλέψεις των οποίων η απεριόριστη αύξηση δεν επιτρέπει την ουσιαστική αξιολόγηση των μακροχρόνιων στατιστικών.
Διαθεσιμότητα και η επόμενη δοκιμή
Οι αλγόριθμοι και ο κώδικας έχουν αναρτηθεί στο GitHub, ενώ η εργασία και ο κώδικας ανοικτού κώδικα είναι διαθέσιμα στο διαδίκτυο. Οι ερευνητές ελπίζουν ότι άλλες ομάδες θα αξιοποιήσουν το αρθρωτό επίπεδο και θα το δοκιμάσουν σε μεγαλύτερα και πιο σύνθετα προβλήματα.
Η ομάδα σχεδιάζει να δοκιμάσει προοδευτικά μεγαλύτερα συστήματα και μοντέλα ρεαλιστικού καιρού που βασίζονται σε δεδομένα. Επομένως, η απόδοση σε ρεαλιστικές καιρικές συνθήκες παραμένει ανοιχτό ερευνητικό ερώτημα: η άμεση συμβολή είναι ένας τυπικός περιορισμός στις προσομοιώσεις που αποκλίνουν ανεξέλεγκτα, ενώ οι επόμενες δοκιμές πρέπει να διαπιστώσουν πώς αυτή η εγγύηση επηρεάζει τη χρησιμότητα των μακροχρόνιων στατιστικών των μοντέλων.












