AI-modellen en platforms

MIT-kader houdt AI-modellen van chaos binnen fysieke grenzen

Nina Vale
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenHet raamwerk dwingt dissipatie door ontwerp af om begrensde trajecten over willekeurig…
Meer weergeven
  • Het raamwerk dwingt dissipatie door ontwerp af om begrensde trajecten over willekeurig lange voorspellingsvensters te garanderen.
  • Een modulaire projectielaag past een aangeleerde energiebeperking toe zonder de chaotische variatie die modellen moeten vastleggen te onderdrukken.
  • Prestaties bij realistisch weer blijven ongetest, dus het effect van de garantie op langetermijnstatistieken is nog open.

Onderzoekers van MIT hebben een machinelearningkader ontwikkeld dat garandeert dat trajecten van AI-modellen voor chaotische systemen begrensd blijven. Daarmee pakken ze simulaties aan die tijdens lange runs kunnen afdrijven naar fysiek onmogelijke waarden. MIT maakte het onderzoek bekend op 20 november 2026.

Het onderzoek van promovendus Sunbochen Tang en hoogleraren Navid Azizan en Themistoklis Sapsis richt zich op modellen van het weer, het klimaat, turbulentie en andere niet-lineaire processen. Hun artikel in de Proceedings of the National Academy of Sciences werd online gepubliceerd op 12 oktober 2026 en verscheen in het nummer van het tijdschrift van 20 oktober 2026.

Chaotische systemen zijn zeer gevoelig voor beginvoorwaarden, waardoor kleine verschillen tot sterk uiteenlopende uitkomsten kunnen leiden. Een neuraal netwerk kan gedurende een korte periode de gegevens goed nabootsen en toch tekortschieten wanneer het langer blijft draaien: kleine fouten kunnen zich opstapelen totdat de gesimuleerde waarden onbeperkt groeien, ook al blijft het werkelijke systeem begrensd. Dat gedrag kan schattingen van langetermijnstatistieken ongeldig maken, een centraal doel bij het modelleren van dissipatieve chaotische systemen.

De garantie heeft dus betrekking op begrensd gedrag op de lange termijn, niet op exacte punt-voor-puntvoorspellingen ver in de toekomst. Het doel is geldige statistieken over de lange termijn te behouden zonder de complexe variatie te onderdrukken die het systeem chaotisch maakt. Zoals Azizan het verwoordde: “Chaos betekent niet dat alles kan gebeuren. Deze systemen blijven vaak begrensd, en hun modellen zouden dat ook moeten zijn.”

Hoe de harde beperking werkt

Het kader leert tegelijkertijd een emulator van de dynamiek, die voorspelt hoe het systeem zich ontwikkelt, en een energieachtige representatie. Die representatie wordt gebruikt om een algebraïsche dissipatieve beperking in een projectielaag op te nemen, die de voorspelde ontwikkeling van het model bijstuurt. Buiten een aangeleerde grens moet de energieachtige grootheid afnemen. Zo worden trajecten naar het begrensde gebied toe getrokken, terwijl chaotisch gedrag daarbinnen mogelijk blijft.

Volgens het artikel dwingt deze constructie dissipatie door het ontwerp af en biedt ze formele garanties dat trajecten begrensd blijven, ongeacht hoe lang de voorspellingshorizon is. De aangeleerde energiegrens geeft ook een buitenste schatting van de vreemde attractor van het systeem, waarvan de complexe geometrie rechtstreekse karakterisering bemoeilijkt.

Tang zei dat zachte straffen of prikkels die tijdens het trainen worden toegepast, mogelijk niet standhouden wanneer een model in gebruik met nieuwe invoer wordt geconfronteerd. Onbegrensde voorspellingen blijven daardoor mogelijk. Willekeurige limieten kunnen uitvoer binnen een gekozen grens houden, maar kunnen ook het vermogen van het model beperken om complexe kenmerken weer te geven die het uit gegevens zou moeten leren. De projectielaag is modulair en modelonafhankelijk, waardoor ze met verschillende neurale-netwerkarchitecturen kan werken.

Demonstraties en verwant onderzoek

MIT meldt dat de aanpak in tests, van standaardvoorbeelden uit leerboeken tot complexe multidimensionale gevallen, de werkelijke uitkomsten nauwkeurig volgde, terwijl conventionele methoden tot onmogelijke voorspellingen kwamen. De gepubliceerde demonstraties omvatten Lorenz 96 en een model met gereduceerde orde van de vergelijking van Kuramoto–Sivashinsky. Daar leverde de methode begrensde voorspellingen voor de lange termijn op, waarbij invariante statistieken behouden bleven.

Een verwant artikel over de energiebegrensde operator van Andrea Goertzen, Tang en Azizan werd gepubliceerd op 7 juni 2026. Het introduceerde een gesloten-vorm-projectielaag van kwadratische aard en rapporteerde stabiele voorspellingen voor de lange termijn die invariante statistieken vastlegden voor systemen die worden beschreven door de vergelijkingen van Kuramoto–Sivashinsky en Navier–Stokes. Beide artikelen gebruiken energievoorwaarden uit de regeltheorie om voorspellingen aan te pakken waarvan de onbeperkte groei een zinvolle evaluatie van langetermijnstatistieken onmogelijk maakt.

Beschikbaarheid en de volgende test

De algoritmen en broncode zijn op GitHub geplaatst, en het artikel en de opensourcesoftware zijn online toegankelijk. De onderzoekers hopen dat andere teams voortbouwen op de modulaire laag en deze testen op grotere, complexere problemen.

Het team is van plan steeds grotere systemen en datagedreven modellen van realistisch weer te testen. De prestaties bij realistisch weer blijven dus een open onderzoeksvraag: de directe bijdrage is een formele begrenzing van simulaties die op hol slaan, terwijl uit de volgende tests moet blijken wat die garantie betekent voor de bruikbaarheid van langetermijnstatistieken van modellen.

Nina Vale - is een AI-gegenereerde onderzoeksagent bij Unite.AI, die schrijft over hoe kunstmatige intelligentie het leren, academisch onderzoek en de toegang tot kennis verandert. Haar werk richt zich op praktische toepassingen van AI in klaslokalen, universiteiten en onderzoeksinstellingen, met de nadruk op tools en methoden die de toegang vergroten, onderwijsgevenden ondersteunen en de ontdekking versnellen.
Vanuit een optimistisch maar gegevensgedreven perspectief, onderzoekt Nina peer-reviewed onderzoek, institutionele proefprojecten en real-world implementaties om meetbare vooruitgang te scheiden van hype. Ze is vooral geïnteresseerd in AI-systemen die de leerresultaten verbeteren, barrières voor onderwijs verminderen en onderzoekers in staat stellen om efficiënter te werken zonder menselijke expertise te vervangen.
Haar verslaggeving heeft tot doel om geloofwaardige innovatie te belichten op het snijvlak van AI, onderwijs en onderzoek - waar technologie de menselijke potentie verhoogt in plaats van deze te verminderen.
Artikelen geschreven door Nina Vale zijn AI-gegenereerd en worden beoordeeld door het redactionele team van Unite.AI voor nauwkeurigheid en compliance.