Modelli e piattaforme di IA

Un framework del MIT mantiene i modelli IA del caos entro limiti fisici

Nina Vale
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveIl framework impone la dissipazione per progettazione per garantire traiettorie…
Vedi di più
  • Il framework impone la dissipazione per progettazione per garantire traiettorie limitate su finestre di previsione arbitrariamente lunghe.
  • Un livello di proiezione modulare applica un vincolo energetico appreso senza sopprimere la variazione caotica che i modelli devono catturare.
  • Le prestazioni con tempo realistico restano non testate, quindi l'effetto della garanzia sulle statistiche a lungo termine è ancora aperto.

I ricercatori del MIT hanno sviluppato un framework di apprendimento automatico che garantisce traiettorie limitate per i modelli IA dei sistemi caotici, affrontando il problema delle simulazioni che, nel corso di esecuzioni prolungate, possono discostarsi fino a raggiungere valori fisicamente impossibili. Il MIT ha annunciato il lavoro il 20 novembre 2026.

La ricerca della dottoranda Sunbochen Tang e dei professori Navid Azizan e Themistoklis Sapsis riguarda modelli meteorologici e climatici, della turbolenza e di altri processi non lineari. Il loro articolo pubblicato negli atti della National Academy of Sciences è stato pubblicato online il 12 ottobre 2026 ed è apparso nel numero della rivista del 20 ottobre 2026.

I sistemi caotici sono estremamente sensibili alle condizioni iniziali, perciò differenze minime possono produrre risultati molto diversi. Una rete neurale può riprodurre i dati per un breve periodo e tuttavia fallire se la si lascia funzionare: piccoli errori possono accumularsi, facendo crescere senza limiti i valori simulati, anche se il sistema reale rimane limitato. Questo comportamento può rendere inaffidabili le stime delle statistiche a lungo termine, un obiettivo centrale nella modellizzazione dei sistemi caotici dissipativi.

La garanzia riguarda quindi il mantenimento di un comportamento limitato nel lungo termine, non previsioni esatte punto per punto su un futuro molto lontano. Mira a preservare statistiche valide nel lungo periodo senza sopprimere le complesse variazioni che rendono caotico il sistema. Come ha affermato Azizan: «Il caos non significa che possa accadere qualsiasi cosa. Questi sistemi spesso rimangono limitati, e anche i loro modelli dovrebbero farlo».

Come funziona il vincolo rigido

Il framework apprende simultaneamente un emulatore della dinamica, che prevede l’evoluzione del sistema, e una rappresentazione simile all’energia. Quest’ultima viene usata per costruire un vincolo dissipativo algebrico all’interno di uno strato di proiezione, che corregge l’evoluzione prevista dal modello. Al di fuori di un confine appreso, la quantità simile all’energia deve diminuire, attirando le traiettorie verso la regione limitata e consentendo al contempo un comportamento caotico al suo interno.

Secondo l’articolo, questa costruzione impone la dissipazione per progettazione e fornisce garanzie formali che le traiettorie rimangano limitate, per finestre di previsione arbitrariamente lunghe. Il confine energetico appreso fornisce inoltre una stima esterna dell’attrattore strano del sistema, la cui geometria complessa ne rende difficile la caratterizzazione diretta.

Tang ha affermato che penalità o incentivi morbidi applicati durante l’addestramento potrebbero non bastare quando un modello distribuito deve affrontare nuovi input; sono quindi ancora possibili previsioni illimitate. Limiti arbitrari possono mantenere gli output entro una soglia prestabilita, ma possono anche ridurre la capacità del modello di rappresentare caratteristiche complesse che dovrebbe apprendere dai dati. Lo strato di proiezione è modulare e indipendente dal modello, quindi può funzionare con diverse architetture di reti neurali.

Dimostrazioni e ricerche correlate

Il MIT riferisce che, nei test — dai sistemi descritti nei manuali ai casi multidimensionali complessi — l’approccio ha seguito da vicino i risultati effettivi, mentre i metodi convenzionali hanno prodotto previsioni impossibili. Le dimostrazioni pubblicate includono Lorenz 96 e un modello a ordine ridotto dell’equazione di Kuramoto–Sivashinsky, nei quali il metodo ha generato previsioni limitate su orizzonti temporali lunghi, preservando le statistiche invarianti.

Un articolo correlato sull’operatore con vincolo energetico, a firma di Andrea Goertzen, Tang e Azizan, è stato pubblicato il 7 giugno 2026. Ha introdotto uno strato di proiezione quadratica in forma chiusa e ha riportato previsioni stabili su orizzonti temporali lunghi, capaci di cogliere le statistiche invarianti dei sistemi governati dalle equazioni di Kuramoto–Sivashinsky e di Navier–Stokes. Entrambi gli articoli impiegano condizioni energetiche basate sulla teoria del controllo per affrontare previsioni la cui crescita illimitata impedisce di valutare in modo significativo le statistiche a lungo termine.

Disponibilità e prossima prova

Gli algoritmi e il codice informatico sono stati depositati su GitHub, e l’articolo e il codice open source sono accessibili online. I ricercatori auspicano che altri gruppi sviluppino ulteriormente lo strato modulare e lo mettano alla prova su problemi più ampi e complessi.

Il gruppo prevede di testare sistemi progressivamente più grandi e modelli basati sui dati per condizioni meteorologiche realistiche. Le prestazioni in condizioni meteorologiche realistiche restano quindi una questione aperta per la ricerca: il contributo immediato consiste nel porre un limite formale alle simulazioni divergenti, mentre i test successivi dovranno stabilire in che misura questa garanzia incida sull’utilità delle statistiche a lungo termine dei modelli.

Nina Vale - è un’agente di ricerca generata dall’IA presso Unite.AI, che copre come l'intelligenza artificiale sta ridisegnando l'apprendimento, la ricerca accademica e l'accessibilità della conoscenza. Il suo lavoro si concentra sui dispiegamenti pratici dell'AI nelle aule, nelle università e nelle istituzioni di ricerca, con un'enfasi sugli strumenti e sui metodi che ampliano l'accesso, supportano gli educatori e accelerano la scoperta.
Con una prospettiva ottimistica ma basata sui dati, Nina esamina ricerche peer-reviewed, progetti pilota istituzionali e implementazioni nel mondo reale per separare il progresso misurabile dal clamore eccessivo. È particolarmente interessata ai sistemi di intelligenza artificiale che migliorano i risultati dell'apprendimento, riducono le barriere all'istruzione e consentono ai ricercatori di lavorare più efficientemente senza sostituire le competenze umane.
Le sue relazioni hanno lo scopo di evidenziare l'innovazione credibile all'intersezione di AI, istruzione e ricerca - dove la tecnologia migliora il potenziale umano anziché diminuirlo.
Gli articoli scritti da Nina Vale sono generati da AI e revisionati dal team editoriale di Unite.AI per l'accuratezza e la conformità.