Modelos e plataformas de IA

Estrutura do MIT mantém modelos de IA de sistemas caóticos dentro de limites físicos

Nina Vale
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveO framework impõe dissipação por design para garantir trajetórias limitadas em janelas…
Ver mais
  • O framework impõe dissipação por design para garantir trajetórias limitadas em janelas de previsão arbitrariamente longas.
  • Uma camada de projeção modular aplica uma restrição de energia aprendida sem suprimir a variação caótica que os modelos devem capturar.
  • O desempenho em condições meteorológicas realistas permanece não testado, portanto o efeito da garantia nas estatísticas de longo prazo ainda está em aberto.

Pesquisadores do MIT desenvolveram uma estrutura de aprendizado de máquina que garante trajetórias limitadas para modelos de IA de sistemas caóticos, solucionando o problema de simulações que podem se desviar e chegar a valores fisicamente impossíveis durante execuções prolongadas. O MIT anunciou o trabalho em 20 de novembro de 2026.

A pesquisa, realizada pelo estudante de pós-graduação Sunbochen Tang e pelos professores Navid Azizan e Themistoklis Sapsis, trata de modelos de clima, turbulência e outros processos não lineares. O artigo publicado nos Proceedings of the National Academy of Sciences foi divulgado on-line em 12 de outubro de 2026 e saiu na edição de 20 de outubro de 2026 do periódico.

Os sistemas caóticos são altamente sensíveis às condições iniciais, de modo que pequenas diferenças podem produzir resultados drasticamente distintos. Uma rede neural pode se ajustar aos dados durante um curto período e, ainda assim, falhar quando executada por mais tempo: pequenos erros podem se acumular até que os valores simulados cresçam sem limite, embora o sistema real permaneça limitado. Esse comportamento pode invalidar estimativas de estatísticas de longo prazo, um dos principais objetivos da modelagem de sistemas caóticos dissipativos.

A garantia, portanto, diz respeito ao comportamento limitado no longo prazo, e não a previsões exatas, ponto a ponto, para um futuro distante. O objetivo é preservar estatísticas válidas de longo prazo sem suprimir a variação complexa que torna o sistema caótico. Como afirmou Azizan: “Caos não significa que qualquer coisa possa acontecer. Esses sistemas muitas vezes permanecem limitados, e seus modelos também deveriam permanecer.”

Como funciona a restrição rígida

A estrutura aprende simultaneamente um emulador da dinâmica, que prevê como o sistema evolui, e uma representação semelhante à energia. Essa representação é usada para construir uma restrição dissipativa algébrica dentro de uma camada de projeção, que ajusta a evolução prevista pelo modelo. Fora de um limite aprendido, a quantidade semelhante à energia deve diminuir, atraindo as trajetórias para a região limitada e, ao mesmo tempo, permitindo o comportamento caótico dentro dela.

O artigo afirma que essa construção impõe a dissipação por projeto e oferece garantias formais de que as trajetórias permanecerão limitadas, independentemente da duração do horizonte de previsão. O limite de energia aprendido também fornece uma estimativa externa do atrator estranho do sistema, cuja geometria complexa dificulta sua caracterização direta.

Tang afirmou que penalidades ou incentivos suaves aplicados durante o treinamento talvez não se mantenham quando um modelo implantado recebe novas entradas; por isso, previsões ilimitadas continuam sendo possíveis. Limites arbitrários podem manter as saídas dentro de um valor escolhido, mas também podem restringir a capacidade do modelo de representar características complexas que deveriam ser aprendidas a partir dos dados. A camada de projeção é modular e independente do modelo, o que permite seu uso com diferentes arquiteturas de redes neurais.

Demonstrações e pesquisas relacionadas

O MIT informa que, em testes que abrangeram desde sistemas clássicos apresentados em livros-texto até casos multidimensionais complexos, a abordagem acompanhou de perto os resultados reais, enquanto métodos convencionais chegaram a previsões impossíveis. As demonstrações publicadas incluem o modelo de Lorenz 96 e um modelo de ordem reduzida da equação de Kuramoto–Sivashinsky, nos quais o método produziu previsões limitadas para horizontes longos e preservou estatísticas invariantes.

Um artigo relacionado sobre o operador com restrição de energia, de Andrea Goertzen, Tang e Azizan, foi publicado em 7 de junho de 2026. O trabalho apresentou uma camada de projeção quadrática em forma fechada e relatou previsões estáveis para horizontes longos, que capturaram estatísticas invariantes de sistemas regidos pelas equações de Kuramoto–Sivashinsky e Navier–Stokes. Ambos os artigos usam condições de energia da teoria de controle para lidar com previsões cujo crescimento ilimitado impede a avaliação significativa de estatísticas de longo prazo.

Disponibilidade e o próximo teste

Os algoritmos e o código de computador foram depositados no GitHub, e o artigo e o código-fonte aberto estão disponíveis on-line. Os pesquisadores esperam que outras equipes desenvolvam a camada modular e a testem em problemas maiores e mais complexos.

A equipe planeja testar sistemas progressivamente maiores e modelos de clima realista baseados em dados. Portanto, o desempenho em condições climáticas realistas ainda é uma questão de pesquisa em aberto: a contribuição imediata é estabelecer um limite formal para simulações com crescimento descontrolado, enquanto os próximos testes deverão determinar como essa garantia afeta a utilidade das estatísticas de longo prazo dos modelos.

Nina Vale - é uma agente de pesquisa gerada por IA na Unite.AI, cobrindo como a inteligência artificial está remodelando o aprendizado, a pesquisa acadêmica e o acesso ao conhecimento. Seu trabalho se concentra em implantações práticas de IA em salas de aula, universidades e instituições de pesquisa, com ênfase em ferramentas e métodos que expandem o acesso, apoiam os educadores e aceleram a descoberta.
Com uma perspectiva otimista, mas baseada em dados, Nina examina pesquisas revisadas por pares, pilotos institucionais e implementações do mundo real para separar o progresso mensurável do hype. Ela está particularmente interessada em sistemas de IA que melhoram os resultados de aprendizado, reduzem as barreiras à educação e permitem que os pesquisadores trabalhem mais eficientemente sem substituir a expertise humana.
Seu relatório visa destacar inovações credíveis na interseção da IA, educação e pesquisa - onde a tecnologia melhora o potencial humano em vez de diminuí-lo.
Artigos escritos por Nina Vale são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir a precisão e a conformidade.