AI-modeller og plattformer

MIT-rammeverk holder KI-modeller av kaos innenfor fysiske grenser

Nina Vale
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterRammeverket håndhever dissipasjon ved design for å garantere begrensede baner over…
Vis mer
  • Rammeverket håndhever dissipasjon ved design for å garantere begrensede baner over vilkårlig lange prognosevinduer.
  • Et modulært projeksjonslag anvender en lært energibegrensning uten å undertrykke den kaotiske variasjonen modellene må fange.
  • Ytelse på realistisk vær er fortsatt ikke testet, så garantiens effekt på langsiktig statistikk er fortsatt åpen.

MIT-forskere har utviklet et rammeverk for maskinlæring som garanterer begrensede baner for KI-modeller av kaotiske systemer. Det tar sikte på å løse problemet med simuleringer som over tid kan drive mot fysisk umulige verdier. MIT kunngjorde arbeidet 20. november 2026.

Forskningen, utført av masterstudenten Sunbochen Tang og professorene Navid Azizan og Themistoklis Sapsis, handler om modeller av vær, klima, turbulens og andre ikke-lineære prosesser. Artikkelen i Proceedings of the National Academy of Sciences ble publisert på nett 12. oktober 2026 og kom på trykk i tidsskriftets nummer datert 20. oktober 2026.

Kaotiske systemer er svært følsomme for startbetingelsene, så små forskjeller kan føre til svært ulike utfall. Et nevralt nettverk kan stemme godt overens med data over en kort periode og likevel svikte hvis det får fortsette å kjøre: Små feil kan hope seg opp til de simulerte verdiene vokser uten grenser, selv om det virkelige systemet forblir begrenset. Slik atferd kan gjøre anslag over langsiktig statistikk ugyldige, noe som er et sentralt mål ved modellering av dissipative kaotiske systemer.

Garantien gjelder derfor begrenset atferd på lang sikt, ikke nøyaktige punktvise prognoser langt inn i framtiden. Målet er å bevare gyldig statistikk over lange tidsrom uten å undertrykke den kompliserte variasjonen som gjør systemet kaotisk. Som Azizan uttrykte det: «Kaos betyr ikke at hva som helst kan skje. Disse systemene holder seg ofte innenfor grenser, og det bør modellene deres også gjøre.»

Slik fungerer den harde begrensningen

Rammeverket lærer samtidig en dynamikkemulator, som forutsier hvordan systemet utvikler seg, og en energilignende representasjon. Denne representasjonen brukes til å konstruere en algebraisk dissipativ begrensning i et projeksjonslag, som justerer modellens predikerte utvikling. Utenfor en innlært grense må den energilignende størrelsen avta. Dette trekker banene mot det avgrensede området, samtidig som kaotisk atferd tillates innenfor det.

Artikkelen sier at denne konstruksjonen sikrer dissipasjon gjennom selve utformingen og gir formelle garantier for at banene forblir begrensede, uansett hvor lange prognoseperiodene er. Den innlærte energigrensen gir også et ytre anslag for systemets merkelige attraktorsett, som er vanskelig å beskrive direkte på grunn av den komplekse geometrien.

Tang sa at myke straffer eller belønninger som brukes under trening, ikke nødvendigvis holder når en modell tas i bruk og møter nye inndata. Derfor er ubegrensede prediksjoner fortsatt mulig. Vilkårlige grenser kan holde utdata innenfor en valgt grense, men de kan også begrense modellens evne til å representere komplekse egenskaper som bør læres fra data. Projeksjonslaget er modulært og uavhengig av modelltype, slik at det kan brukes med ulike arkitekturer for nevrale nettverk.

Demonstrasjoner og beslektet forskning

MIT opplyser at metoden fulgte de faktiske utfallene tett i tester som strakte seg fra klassiske lærebokeksempler til komplekse flerdimensjonale tilfeller, mens konvensjonelle metoder endte opp med umulige prediksjoner. De publiserte demonstrasjonene omfatter Lorenz 96 og en redusert ordensmodell av Kuramoto–Sivashinsky-ligningen. I disse tilfellene ga metoden begrensede prognoser over lange tidshorisonter som bevarte invariante statistiske egenskaper.

En beslektet artikkel om Energy-Constrained Operator, skrevet av Andrea Goertzen, Tang og Azizan, ble publisert 7. juni 2026. Den introduserte et lukket kvadratisk projeksjonslag og rapporterte stabile prognoser over lange tidshorisonter som fanget opp invariante statistiske egenskaper for systemer styrt av Kuramoto–Sivashinsky- og Navier–Stokes-ligningene. Begge artiklene bruker energibetingelser fra kontrollteori for å håndtere prediksjoner der ubegrenset vekst gjør det umulig å evaluere statistikk over lange tidsrom på en meningsfull måte.

Tilgjengelighet og neste test

Algoritmene og datakoden er lagt ut på GitHub, og både artikkelen og åpen kildekode er tilgjengelige på nettet. Forskerne håper at andre team vil bygge videre på det modulære laget og teste det på større og mer komplekse problemer.

Teamet planlegger å teste stadig større systemer og datadrevne modeller av realistisk vær. Hvor godt metoden fungerer for realistisk vær, er derfor fortsatt et åpent forskningsspørsmål: Det umiddelbare bidraget er en formell grense for simuleringer som løper løpsk, mens de neste testene må fastslå hvordan denne garantien påvirker nytteverdien av modellenes langsiktige statistikk.

Nina Vale - er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker hvordan kunstig intelligens former læring, akademisk forskning og tilgang til kunnskap. Hennes arbeid fokuserer på praktiske anvendelser av AI i klasserom, universiteter og forskningsinstitusjoner, med vekt på verktøy og metoder som utvider tilgang, støtter lærere og akselererer oppdagelser. Med et optimistisk, men datadrevet perspektiv, undersøker Nina fagfellevurdert forskning, institusjonelle pilotprosjekter og virkelige implementeringer for å skille målbar fremgang fra hype. Hun er spesielt interessert i AI-systemer som forbedrer læringsresultater, reduserer barrierer for utdanning og muliggjør at forskere kan arbeide mer effektivt uten å erstatte menneskelig ekspertise. Hennes rapportering har som mål å fremheve troverdig innovasjon i skjæringspunktet mellom AI, utdanning og forskning - hvor teknologi forbedrer menneskelig potensial i stedet for å redusere det. Artikler skrevet av Nina Vale er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for nøyaktighet og overholdelse.