Modèles et plateformes d’IA
Un cadre du MIT maintient les modèles d’IA des systèmes chaotiques dans des limites physiques

Points clésLe cadre impose la dissipation par conception afin de garantir des trajectoires bornées…
Voir plus
- Le cadre impose la dissipation par conception afin de garantir des trajectoires bornées sur des fenêtres de prévision arbitrairement longues.
- Une couche de projection modulaire applique une contrainte énergétique apprise sans supprimer la variation chaotique que les modèles doivent capturer.
- La performance sur des conditions météorologiques réalistes reste non testée, de sorte que l'effet de la garantie sur les statistiques à long terme demeure ouvert.
Des chercheurs du MIT ont mis au point un cadre d’apprentissage automatique qui garantit que les trajectoires des modèles d’IA de systèmes chaotiques restent bornées, afin de remédier aux simulations qui peuvent dériver vers des valeurs physiquement impossibles lorsqu’elles se prolongent. Le MIT a annoncé ces travaux le 20 novembre 2026.
Les travaux de l’étudiant de deuxième cycle Sunbochen Tang et des professeurs Navid Azizan et Themistoklis Sapsis portent sur des modèles météorologiques et climatiques, ainsi que sur la turbulence et d’autres processus non linéaires. Leur article publié dans les comptes rendus de la National Academy of Sciences a été mis en ligne le 12 octobre 2026, puis publié dans le numéro du 20 octobre 2026 de la revue.
Les systèmes chaotiques sont extrêmement sensibles aux conditions initiales : de minuscules différences peuvent donc produire des résultats radicalement différents. Un réseau neuronal peut correspondre aux données sur une courte période, puis échouer si on le laisse fonctionner : de petites erreurs peuvent s’accumuler jusqu’à faire croître sans limite les valeurs simulées, alors que le système réel demeure borné. Ce comportement peut invalider les estimations des statistiques à long terme, un objectif central de la modélisation des systèmes chaotiques dissipatifs.
La garantie porte donc sur un comportement borné à long terme, plutôt que sur des prévisions exactes, point par point, très loin dans le futur. Elle vise à préserver des statistiques valides à long terme sans étouffer les variations complexes qui rendent le système chaotique. Comme l’a expliqué Azizan : « Le chaos ne signifie pas que tout peut arriver. Ces systèmes restent souvent bornés, et leurs modèles devraient l’être aussi. »
Comment fonctionne la contrainte stricte
Le cadre apprend simultanément un émulateur de la dynamique, qui prédit l’évolution du système, et une représentation analogue à une énergie. Cette représentation sert à construire une contrainte dissipative algébrique au sein d’une couche de projection, qui ajuste l’évolution prédite par le modèle. Au-delà d’une frontière apprise, la quantité analogue à une énergie doit diminuer, ce qui ramène les trajectoires vers la région bornée tout en permettant un comportement chaotique à l’intérieur de celle-ci.
Selon l’article, cette construction impose la dissipation dès la conception et garantit formellement que les trajectoires restent bornées, quelle que soit la durée de prévision. La frontière énergétique apprise fournit également une estimation extérieure de l’attracteur étrange du système, dont la géométrie complexe est difficile à caractériser directement.
Tang a indiqué que les pénalités légères ou les incitations appliquées pendant l’entraînement ne sont pas nécessairement efficaces lorsque le modèle déployé est confronté à de nouvelles entrées ; des prédictions non bornées restent donc possibles. Des plafonds arbitraires peuvent maintenir les résultats dans une limite choisie, mais ils risquent aussi de restreindre la capacité du modèle à représenter des caractéristiques complexes qu’il devrait apprendre à partir des données. La couche de projection est modulaire et indépendante du modèle, ce qui lui permet de fonctionner avec différentes architectures de réseaux neuronaux.
Démonstrations et recherches connexes
Le MIT indique que, lors de tests allant de systèmes classiques à des cas multidimensionnels complexes, cette approche a suivi de près les résultats réels, tandis que les méthodes conventionnelles aboutissaient à des prévisions impossibles. Les démonstrations publiées comprennent le système de Lorenz 96 et un modèle d’ordre réduit de l’équation de Kuramoto–Sivashinsky ; la méthode y a produit des prévisions bornées à long terme qui préservaient les statistiques invariantes.
Un article connexe sur les opérateurs à énergie contrainte, signé Andrea Goertzen, Tang et Azizan, a été publié le 7 juin 2026. Il présentait une couche de projection quadratique sous forme fermée et faisait état de prévisions stables à long terme, qui restituaient les statistiques invariantes de systèmes régis par les équations de Kuramoto–Sivashinsky et de Navier–Stokes. Les deux articles s’appuient sur des conditions énergétiques issues de la théorie du contrôle pour traiter les prévisions dont la croissance illimitée empêche toute évaluation pertinente des statistiques à long terme.
Disponibilité et prochain test
Les algorithmes et le code informatique ont été déposés sur GitHub, et l’article ainsi que le code source ouvert sont accessibles en ligne. Les chercheurs espèrent que d’autres équipes s’appuieront sur cette couche modulaire et la testeront sur des problèmes plus vastes et plus complexes.
L’équipe prévoit de tester des systèmes de plus en plus vastes ainsi que des modèles météorologiques réalistes fondés sur les données. Les performances dans des conditions météorologiques réalistes restent donc une question de recherche ouverte : la contribution immédiate consiste à établir une limite formelle aux simulations qui s’emballent, tandis que les prochains tests devront déterminer dans quelle mesure cette garantie influe sur l’utilité des statistiques à long terme des modèles.












