Model dan platform AI
Kerangka MIT Menjaga Model AI Sistem Kacau Tetap dalam Batas Fisik

Poin utamaKerangka kerja ini menegakkan disipasi secara desain untuk menjamin lintasan terbatas…
Lihat selengkapnya
- Kerangka kerja ini menegakkan disipasi secara desain untuk menjamin lintasan terbatas selama jendela perkiraan yang panjangnya sewenang-wenang.
- Lapisan proyeksi modular menerapkan batasan energi yang dipelajari tanpa menekan variasi kacau yang harus ditangkap oleh model.
- Kinerja pada cuaca realistis masih belum diuji sehingga pengaruh jaminan tersebut terhadap statistik jangka panjang masih terbuka.
Para peneliti MIT telah mengembangkan kerangka pembelajaran mesin yang menjamin lintasan model AI untuk sistem chaos tetap terbatas. Kerangka ini mengatasi masalah simulasi yang dapat menyimpang hingga menghasilkan nilai yang mustahil secara fisik saat dijalankan dalam waktu lama. MIT mengumumkan penelitian ini pada 20 November 2026.
Penelitian yang dilakukan oleh mahasiswa pascasarjana Sunbochen Tang serta para profesor Navid Azizan dan Themistoklis Sapsis ini membahas model cuaca, iklim, turbulensi, dan proses nonlinear lainnya. Makalah mereka di Proceedings of the National Academy of Sciences diterbitkan secara daring pada 12 Oktober 2026 dan dimuat dalam edisi jurnal tanggal 20 Oktober 2026.
Sistem chaos sangat peka terhadap kondisi awal, sehingga perbedaan sekecil apa pun dapat menghasilkan keluaran yang sangat berbeda. Jaringan saraf mungkin cocok dengan data dalam jangka waktu singkat, tetapi tetap gagal jika terus dijalankan: kesalahan kecil dapat menumpuk hingga nilai simulasinya meningkat tanpa batas, meskipun sistem sebenarnya tetap terbatas. Perilaku tersebut dapat membuat perkiraan statistik jangka panjang tidak valid, padahal perkiraan itu merupakan salah satu tujuan utama pemodelan sistem chaos disipatif.
Karena itu, jaminan tersebut berkenaan dengan perilaku yang tetap terbatas dalam jangka panjang, bukan prakiraan titik demi titik yang akurat jauh ke masa depan. Tujuannya adalah mempertahankan statistik jangka panjang yang valid tanpa meredam variasi rumit yang membuat sistem tersebut bersifat chaos. Seperti yang dikatakan Azizan, “Chaos tidak berarti apa pun bisa terjadi. Sistem-sistem ini sering kali tetap terbatas, begitu pula modelnya.”
Cara Kerja Kendala Keras
Kerangka ini secara bersamaan mempelajari emulator dinamika, yang memprediksi evolusi sistem, dan representasi yang menyerupai energi. Representasi tersebut digunakan untuk menyusun kendala disipatif aljabar di dalam lapisan proyeksi, yang menyesuaikan evolusi sistem sebagaimana diprediksi model. Di luar batas yang dipelajari, besaran yang menyerupai energi harus menurun, sehingga lintasan tertarik menuju wilayah terbatas, sementara perilaku chaos di dalamnya tetap dimungkinkan.
Makalah tersebut menyatakan bahwa konstruksi ini menerapkan disipasi sejak awal dan memberikan jaminan formal bahwa lintasan tetap terbatas untuk jendela prakiraan sepanjang apa pun. Batas energi yang dipelajari juga memberikan perkiraan batas luar atraktor aneh sistem, yang geometri kompleksnya sulit dicirikan secara langsung.
Tang mengatakan bahwa penalti atau insentif lunak yang diterapkan selama pelatihan belum tentu tetap berlaku ketika model yang sudah diterapkan menghadapi masukan baru, sehingga prediksi yang tidak terbatas masih mungkin terjadi. Batas sembarang dapat menjaga keluaran agar tetap berada dalam batas yang ditentukan, tetapi juga dapat membatasi kemampuan model untuk merepresentasikan fitur kompleks yang seharusnya dipelajari dari data. Lapisan proyeksi ini bersifat modular dan tidak bergantung pada model tertentu, sehingga dapat digunakan dengan beragam arsitektur jaringan saraf.
Demonstrasi dan Penelitian Terkait
MIT melaporkan bahwa dalam pengujian yang mencakup sistem dasar dari buku teks hingga kasus multidimensi yang kompleks, pendekatan ini mengikuti hasil sebenarnya dengan cermat, sementara metode konvensional menghasilkan prediksi yang mustahil. Demonstrasi yang dipublikasikan mencakup Lorenz 96 dan model berorde tereduksi dari persamaan Kuramoto–Sivashinsky. Dalam kedua kasus, metode ini menghasilkan prakiraan jangka panjang yang tetap terbatas dan mempertahankan statistik invarian.
Sebuah makalah tentang Operator dengan Kendala Energi terkait, yang ditulis oleh Andrea Goertzen, Tang, dan Azizan, diterbitkan pada 7 Juni 2026. Makalah itu memperkenalkan lapisan proyeksi kuadratik berbentuk tertutup dan melaporkan prakiraan stabil untuk jangka panjang yang menangkap statistik invarian pada sistem yang diatur oleh persamaan Kuramoto–Sivashinsky dan Navier–Stokes. Kedua makalah menggunakan kondisi energi dari teori kendali untuk menangani prediksi yang pertumbuhannya tanpa batas menghalangi evaluasi statistik jangka panjang secara bermakna.
Ketersediaan dan Pengujian Berikutnya
Algoritma dan kode komputer telah diunggah ke GitHub, sementara makalah dan kode sumber terbukanya dapat diakses secara daring. Para peneliti berharap tim lain akan mengembangkan lapisan modular ini lebih lanjut dan mengujinya pada masalah yang lebih besar dan kompleks.
Tim tersebut berencana menguji sistem yang ukurannya terus ditingkatkan serta model cuaca realistis berbasis data. Karena itu, kinerja pada kondisi cuaca realistis masih menjadi pertanyaan penelitian terbuka: kontribusi langsung penelitian ini adalah menetapkan batas formal bagi simulasi yang menyimpang tanpa kendali, sedangkan pengujian berikutnya harus menentukan bagaimana jaminan tersebut memengaruhi kegunaan statistik jangka panjang model.












