Modele și platforme AI
Cadrul MIT menține modelele de IA ale haosului în limite fizice

Puncte cheieCadrul impune disiparea prin proiectare pentru a garanta traiectorii mărginite pe…
Vezi mai mult
- Cadrul impune disiparea prin proiectare pentru a garanta traiectorii mărginite pe ferestre de prognoză arbitrar de lungi.
- Un strat de proiecție modular aplică o constrângere energetică învățată fără a suprima variația haotică pe care modelele trebuie să o surprindă.
- Performanța pe vreme reală rămâne netestată, astfel încât efectul garanției asupra statisticilor pe termen lung este încă deschis.
Cercetătorii de la MIT au dezvoltat un cadru de învățare automată care garantează că traiectoriile modelelor de IA ale sistemelor haotice rămân mărginite, abordând problema simulărilor care pot deriva spre valori imposibile din punct de vedere fizic în timpul rulărilor îndelungate. MIT a anunțat această cercetare pe 20 noiembrie 2026.
Cercetarea realizată de doctorandul Sunbochen Tang și de profesorii Navid Azizan și Themistoklis Sapsis se referă la modele ale vremii, climei, turbulențelor și altor procese neliniare. Articolul publicat în Proceedings of the National Academy of Sciences a apărut online pe 12 octombrie 2026 și a fost inclus în numărul revistei din 20 octombrie 2026.
Sistemele haotice sunt extrem de sensibile la condițiile inițiale, astfel că diferențe minuscule pot produce rezultate foarte diferite. O rețea neuronală poate reproduce datele pe o perioadă scurtă și totuși să eșueze dacă este lăsată să ruleze: erorile mici se pot acumula până când valorile simulate cresc fără limită, deși sistemul real rămâne mărginit. Acest comportament poate invalida estimările statisticilor pe termen lung, un obiectiv central al modelării sistemelor haotice disipative.
Prin urmare, garanția vizează menținerea comportamentului în limite pe termen lung, nu prognozarea exactă, punct cu punct, într-un viitor îndepărtat. Scopul este să păstreze statistici valide pe termen lung fără a suprima variațiile complexe care fac sistemul haotic. După cum a spus Azizan: „Haosul nu înseamnă că se poate întâmpla orice. Aceste sisteme rămân adesea mărginite, iar modelele lor ar trebui să fie la fel.”
Cum funcționează constrângerea strictă
Cadrul învață simultan un emulator al dinamicii, care prezice evoluția sistemului, și o reprezentare asemănătoare energiei. Această reprezentare este folosită pentru a construi o constrângere disipativă algebrică în interiorul unui strat de proiecție, care ajustează evoluția prezisă de model. În afara unei limite învățate, cantitatea asemănătoare energiei trebuie să scadă, atrăgând traiectoriile spre regiunea mărginită și permițând, în același timp, comportamentul haotic în interiorul acesteia.
Articolul afirmă că această construcție impune disiparea prin proiectare și oferă garanții formale că traiectoriile rămân mărginite pentru intervale de prognoză arbitrar de lungi. Limita energetică învățată oferă, de asemenea, o estimare exterioară a atractorului straniu al sistemului, a cărui geometrie complexă este dificil de caracterizat direct.
Tang a spus că penalizările sau stimulentele slabe aplicate în timpul antrenării nu trebuie neapărat să se mențină atunci când un model implementat întâlnește intrări noi, astfel că sunt în continuare posibile predicții nemărginite. Limitele arbitrare pot menține rezultatele în intervalul ales, dar pot restrânge și capacitatea modelului de a reprezenta caracteristici complexe care ar trebui învățate din date. Stratul de proiecție este modular și independent de model, ceea ce îi permite să funcționeze cu diferite arhitecturi de rețele neuronale.
Demonstrații și cercetări conexe
MIT relatează că, în teste care au variat de la sisteme prezentate în manuale până la cazuri multidimensionale complexe, metoda a urmărit îndeaproape rezultatele reale, în timp ce metodele convenționale au ajuns la predicții imposibile. Demonstrațiile publicate includ sistemul Lorenz 96 și un model de ordin redus al ecuației Kuramoto–Sivashinsky, pentru care metoda a produs prognoze mărginitе pe orizonturi îndepărtate, păstrând statisticile invariante.
Un articol conex, Operator cu constrângere energetică, semnat de Andrea Goertzen, Tang și Azizan, a fost publicat pe 7 iunie 2026. Acesta a introdus un strat de proiecție pătratică în formă închisă și a raportat prognoze stabile pe orizonturi îndepărtate, care au surprins statisticile invariante pentru sisteme guvernate de ecuațiile Kuramoto–Sivashinsky și Navier–Stokes. Ambele articole folosesc condiții energetice din teoria controlului pentru a aborda predicțiile a căror creștere nemărginită împiedică evaluarea relevantă a statisticilor pe termen lung.
Disponibilitate și următorul test
Algoritmii și codul informatic au fost încărcate pe GitHub, iar articolul și codul cu sursă deschisă sunt accesibile online. Cercetătorii speră că alte echipe vor dezvolta stratul modular și îl vor testa pe probleme mai ample și mai complexe.
Echipa intenționează să testeze sisteme tot mai mari și modele ale vremii reale bazate pe date. Prin urmare, performanța în condiții meteorologice realiste rămâne o întrebare deschisă pentru cercetare: contribuția imediată constă în stabilirea unei limite formale pentru simulările care scapă de sub control, în timp ce testele următoare trebuie să stabilească în ce măsură această garanție influențează utilitatea statisticilor pe termen lung ale modelelor.












