एआई मॉडल और प्लेटफ़ॉर्म
MIT का ढाँचा AI मॉडलों को अराजक प्रणालियों की भौतिक सीमाओं के भीतर रखता है

मुख्य बिंदुयह ढाँचा मनमाने ढंग से लंबी पूर्वानुमान अवधियों पर परिबद्ध प्रक्षेपपथों की गारंटी देने…
और देखें
- यह ढाँचा मनमाने ढंग से लंबी पूर्वानुमान अवधियों पर परिबद्ध प्रक्षेपपथों की गारंटी देने के लिए डिज़ाइन द्वारा अपव्यय को लागू करता है।
- एक मॉड्यूलर प्रक्षेपण परत अराजक विविधता को दबाए बिना एक सीखा हुआ ऊर्जा प्रतिबंध लागू करती है जिसे मॉडलों को कैप्चर करना होता है।
- वास्तविक-मौसम प्रदर्शन अभी तक अपरीक्षित है, इसलिए दीर्घकालिक आँकड़ों पर गारंटी का प्रभाव अभी भी अनिश्चित है।
MIT के शोधकर्ताओं ने मशीन लर्निंग का एक ऐसा ढाँचा विकसित किया है, जो अराजक प्रणालियों के AI मॉडलों के पथों को सीमित रखने की गारंटी देता है। इससे उन सिमुलेशनों की समस्या का समाधान होता है, जिनके मान लंबे समय तक चलने पर भौतिक रूप से असंभव स्तर तक भटक सकते हैं। MIT ने 20 नवंबर, 2026 को इस काम की घोषणा की।
स्नातक छात्र Sunbochen Tang और प्रोफेसरों Navid Azizan तथा Themistoklis Sapsis का यह शोध मौसम, जलवायु, अशांति और अन्य अरैखिक प्रक्रियाओं के मॉडलों से संबंधित है। उनका शोधपत्र Proceedings of the National Academy of Sciences में 12 अक्टूबर, 2026 को ऑनलाइन प्रकाशित हुआ और पत्रिका के 20 अक्टूबर, 2026 के अंक में छपा।
अराजक प्रणालियाँ शुरुआती स्थितियों के प्रति बेहद संवेदनशील होती हैं, इसलिए बहुत छोटे अंतर भी नतीजों में बड़े बदलाव ला सकते हैं। कोई न्यूरल नेटवर्क थोड़े समय के लिए आँकड़ों से मेल खा सकता है, फिर भी उसे लगातार चलाने पर विफल हो सकता है: छोटी-छोटी त्रुटियाँ जमा होकर उसके सिमुलेशन के मानों को असीमित रूप से बढ़ा सकती हैं, जबकि वास्तविक प्रणाली सीमित रहती है। इस व्यवहार से दीर्घकालिक सांख्यिकीय आँकड़ों के अनुमान अमान्य हो सकते हैं, जबकि ऐसे आँकड़ों का अनुमान लगाना अपव्ययी अराजक प्रणालियों के मॉडलन का एक प्रमुख उद्देश्य है।
इसलिए यह गारंटी दूर भविष्य के लिए बिंदु-दर-बिंदु सटीक पूर्वानुमान के बजाय लंबे समय तक व्यवहार के सीमित रहने से संबंधित है। इसका उद्देश्य उन जटिल उतार-चढ़ावों को दबाए बिना लंबे समय के वैध सांख्यिकीय आँकड़ों को बनाए रखना है, जो प्रणाली को अराजक बनाते हैं। Azizan के शब्दों में, “अराजकता का यह अर्थ नहीं कि कुछ भी हो सकता है। ये प्रणालियाँ अक्सर सीमित दायरे में रहती हैं और इनके मॉडल भी ऐसे ही होने चाहिए।”
कठोर बाधा कैसे काम करती है
यह ढाँचा एक साथ दो चीज़ें सीखता है: गतिकी का एक अनुकरणकर्ता, जो अनुमान लगाता है कि प्रणाली किस तरह विकसित होगी, और ऊर्जा जैसा एक निरूपण। इस निरूपण का उपयोग प्रक्षेपण परत के भीतर बीजगणितीय अपव्ययी बाधा बनाने के लिए किया जाता है; यह परत मॉडल के अनुमानित विकास को समायोजित करती है। सीखी गई सीमा के बाहर ऊर्जा जैसी मात्रा घटनी चाहिए। इससे पथ सीमित क्षेत्र की ओर खिंचते हैं, जबकि उस क्षेत्र के भीतर अराजक व्यवहार जारी रह सकता है।
शोधपत्र के अनुसार, यह संरचना डिज़ाइन के स्तर पर अपव्यय लागू करती है और पूर्वानुमान की मनमानी लंबी समयावधियों में पथों के सीमित रहने की औपचारिक गारंटी देती है। सीखी गई ऊर्जा-सीमा प्रणाली के विचित्र आकर्षक का बाहरी अनुमान भी देती है; इसकी जटिल ज्यामिति के कारण इसका सीधे वर्णन करना कठिन होता है।
Tang ने कहा कि प्रशिक्षण के दौरान लगाए गए हल्के दंड या प्रोत्साहन तब लागू रहें, यह ज़रूरी नहीं—खासकर जब तैनात मॉडल को नए इनपुट मिलते हैं। इसलिए उसके पूर्वानुमान असीमित हो सकते हैं। मनमानी सीमाएँ आउटपुट को चुनी हुई हद के भीतर रख सकती हैं, लेकिन वे डेटा से सीखी जाने वाली जटिल विशेषताओं को निरूपित करने की मॉडल की क्षमता को भी सीमित कर सकती हैं। प्रक्षेपण परत मॉड्यूलर है और किसी एक मॉडल पर निर्भर नहीं करती, इसलिए इसे अलग-अलग न्यूरल नेटवर्क संरचनाओं के साथ काम में लिया जा सकता है।
प्रदर्शन और संबंधित शोध
MIT के अनुसार, पाठ्यपुस्तकों में दिए गए तंत्रों से लेकर जटिल बहुआयामी मामलों तक के परीक्षणों में इस तरीके के अनुमान वास्तविक नतीजों के काफ़ी करीब रहे, जबकि पारंपरिक तरीके असंभव पूर्वानुमानों तक पहुँच गए। प्रकाशित प्रदर्शनों में Lorenz 96 और Kuramoto–Sivashinsky समीकरण का एक निम्न-क्रम मॉडल शामिल हैं। इन मामलों में इस तरीके ने लंबी समयावधि के लिए ऐसे सीमित पूर्वानुमान दिए, जिनमें अपरिवर्तनीय सांख्यिकीय आँकड़े बरकरार रहे।
Andrea Goertzen, Tang और Azizan का इससे संबंधित ऊर्जा-बाधित ऑपरेटर पर शोधपत्र 7 जून, 2026 को प्रकाशित हुआ था। इसमें बंद-रूप वाली द्विघात प्रक्षेपण परत प्रस्तुत की गई और बताया गया कि Kuramoto–Sivashinsky तथा Navier–Stokes समीकरणों से संचालित प्रणालियों के लिए इसने स्थिर, लंबी समयावधि के पूर्वानुमान दिए, जिनमें अपरिवर्तनीय सांख्यिकीय आँकड़े शामिल थे। दोनों शोधपत्र नियंत्रण-सिद्धांत पर आधारित ऊर्जा शर्तों का उपयोग उन पूर्वानुमानों की समस्या से निपटने के लिए करते हैं, जिनकी असीमित वृद्धि दीर्घकालिक सांख्यिकीय आँकड़ों का सार्थक मूल्यांकन असंभव बना देती है।
उपलब्धता और अगली कसौटी
एल्गोरिदम और कंप्यूटर कोड GitHub पर जमा कर दिए गए हैं, और शोधपत्र तथा ओपन-सोर्स कोड ऑनलाइन उपलब्ध हैं। शोधकर्ताओं को उम्मीद है कि अन्य टीमें इस मॉड्यूलर परत को आगे विकसित करेंगी और बड़ी तथा अधिक जटिल समस्याओं पर इसकी जाँच करेंगी।
टीम की योजना क्रमशः बड़ी प्रणालियों और वास्तविक मौसम के डेटा-आधारित मॉडलों पर परीक्षण करने की है। इसलिए वास्तविक मौसम पर प्रदर्शन का प्रश्न अभी खुला है: इस काम का तात्कालिक योगदान बेलगाम सिमुलेशनों पर एक औपचारिक सीमा तय करना है, जबकि अगले परीक्षणों से यह स्थापित करना होगा कि यह गारंटी मॉडलों के दीर्घकालिक सांख्यिकीय आँकड़ों की उपयोगिता को किस तरह प्रभावित करती है।












