AI 모델 및 플랫폼
MIT 프레임워크, 혼돈계 AI 모델을 물리적 한계 안에 유지

핵심 포인트이 프레임워크는 임의로 긴 예측 구간에서 유계 궤적을 보장하기 위해 설계상 소산을 강제한다.
더 보기
- 이 프레임워크는 임의로 긴 예측 구간에서 유계 궤적을 보장하기 위해 설계상 소산을 강제한다.
- 모듈식 투영 계층은 모델이 포착해야 하는 혼돈 변동을 억제하지 않으면서 학습된 에너지 제약을 적용한다.
- 실제 날씨에서의 성능은 아직 검증되지 않았으므로 장기 통계에 대한 이 보장의 영향은 여전히 미해결이다.
MIT 연구진이 혼돈계 AI 모델의 궤적이 일정 범위 안에 머물도록 보장하는 머신러닝 프레임워크를 개발했다. 장시간 시뮬레이션을 실행할 때 물리적으로 불가능한 값으로 벗어날 수 있는 문제를 해결하기 위한 것이다. MIT는 2026년 11월 20일 이 연구를 발표했다.
대학원생 Sunbochen Tang과 교수 Navid Azizan, Themistoklis Sapsis가 수행한 이 연구는 날씨와 기후, 난류를 비롯한 비선형 과정의 모델을 다룬다. 이들의 논문은 National Academy of Sciences 회보에 실렸으며, 2026년 10월 12일 온라인으로 공개된 뒤 학술지 2026년 10월 20일 호에 게재됐다.
혼돈계는 초기 조건에 매우 민감해 사소한 차이도 결과에 극적인 변화를 일으킬 수 있다. 신경망은 짧은 기간에는 데이터와 일치하는 결과를 내더라도, 계속 실행하면 제대로 작동하지 않을 수 있다. 실제 시스템은 일정 범위 안에 머무르는데도 작은 오차가 누적되면 시뮬레이션 값이 한없이 커질 수 있다. 이러한 현상은 소산성 혼돈계를 모델링할 때 핵심 목표인 장기 통계량 추정의 타당성을 무너뜨릴 수 있다.
따라서 이 보장이 다루는 것은 먼 미래까지 시점별 결과를 정확히 예측하는 일이 아니라, 장기적으로 값이 일정 범위 안에 머무르는 특성이다. 혼돈계의 복잡한 변화를 억누르지 않으면서 장기 통계량의 타당성을 유지하는 것이 목표다. Azizan은 이렇게 설명했다. “혼돈이라고 해서 무슨 일이든 일어날 수 있다는 뜻은 아닙니다. 이런 시스템은 대개 일정 범위 안에 머무르며, 그 모델도 그래야 합니다.”
엄격한 제약은 어떻게 작동하는가
이 프레임워크는 시스템의 변화를 예측하는 동역학 에뮬레이터와 에너지와 유사한 표현을 동시에 학습한다. 이 표현을 사용해 투영 계층 안에 대수적 소산 제약을 구성하고, 이 계층은 모델이 예측한 시스템의 변화를 조정한다. 학습된 경계 바깥에서는 에너지 유사량이 감소해야 하므로 궤적은 범위가 제한된 영역 쪽으로 이동하며, 그 안에서는 혼돈 거동이 허용된다.
논문에 따르면 이 구조는 설계 단계부터 소산성을 강제하며, 예측 기간이 얼마든 궤적이 일정 범위 안에 머문다는 형식적 보장을 제공한다. 학습된 에너지 경계는 시스템의 기묘한 끌개를 바깥쪽에서 추정하는 역할도 한다. 기묘한 끌개의 복잡한 기하학적 구조는 직접 특성을 규명하기 어렵다.
Tang은 학습 중 적용한 약한 벌점이나 보상이 배포된 모델이 새로운 입력을 받았을 때도 계속 작동한다는 보장은 없으므로, 예측값이 제한 없이 커질 수 있다고 말했다. 임의의 상한을 설정하면 출력값을 정해진 범위 안에 둘 수 있지만, 데이터에서 학습해야 하는 복잡한 특성을 모델이 표현하는 능력을 제한할 수도 있다. 투영 계층은 모듈식이며 특정 모델에 종속되지 않아 다양한 신경망 아키텍처에 적용할 수 있다.
실증 결과와 관련 연구
MIT에 따르면 교과서에 나오는 시스템부터 복잡한 다차원 사례까지 다양한 시험에서 이 접근법은 실제 결과를 높은 정확도로 추적한 반면, 기존 방법은 불가능한 예측값을 내놓았다. 공개된 실증 사례에는 Lorenz 96과 Kuramoto–Sivashinsky 방정식의 축소차수 모델이 포함된다. 이들 사례에서 해당 방법은 장기 예측값이 일정 범위 안에 머물도록 하면서 불변 통계량도 보존했다.
Andrea Goertzen, Tang, Azizan이 공동 저술한 관련 에너지 제약 연산자 논문은 2026년 6월 7일에 발표됐다. 이 논문은 폐형식의 이차 투영 계층을 소개하고, Kuramoto–Sivashinsky 방정식과 Navier–Stokes 방정식이 지배하는 시스템에서 불변 통계량을 포착한 안정적인 장기 예측 결과를 보고했다. 두 논문은 모두 제어 이론의 에너지 조건을 활용해, 예측값이 제한 없이 증가해 장기 통계량을 의미 있게 평가할 수 없게 되는 문제에 대응한다.
이용 가능성과 다음 검증 단계
알고리즘과 컴퓨터 코드는 GitHub에 등록됐으며, 논문과 오픈소스 코드도 온라인에서 확인할 수 있다. 연구진은 다른 팀들이 모듈식 계층을 기반으로 연구를 발전시키고, 더 크고 복잡한 문제에서 이를 시험하기를 기대한다.
연구팀은 점차 규모를 키운 시스템과 실제 날씨를 반영한 데이터 기반 모델을 시험할 계획이다. 따라서 실제 날씨를 반영한 환경에서의 성능은 아직 해결되지 않은 연구 과제다. 당장의 성과는 시뮬레이션 값이 걷잡을 수 없이 커지는 것을 막는 형식적 한계를 제시한 것이며, 다음 단계의 시험에서는 이 보장이 모델의 장기 통계량을 얼마나 유용하게 만드는지 확인해야 한다.












