Модели и платформы ИИ

Система MIT удерживает модели хаоса на основе ИИ в физических пределах

Nina Vale
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыФреймворк обеспечивает диссипацию по своей конструкции, чтобы гарантировать…
Показать больше
  • Фреймворк обеспечивает диссипацию по своей конструкции, чтобы гарантировать ограниченные траектории на произвольно длительных окнах прогноза.
  • Модульный слой проекции применяет изученное энергетическое ограничение, не подавляя хаотическую вариацию, которую должны улавливать модели.
  • Производительность на реалистичной погоде остаётся непроверенной, поэтому влияние гарантии на долгосрочную статистику всё ещё открыто.

Исследователи MIT разработали систему машинного обучения, которая гарантирует ограниченность траекторий моделей хаотических систем на основе ИИ. Она решает проблему симуляций, значения которых при длительном моделировании могут отклоняться до физически невозможных. MIT сообщила об этой работе 20 ноября 2026 года.

Исследование аспиранта Сунбочена Танга и профессоров Навида Азизана и Фемистоклиса Сапсиса посвящено моделям погоды, климата, турбулентности и других нелинейных процессов. Статья в Proceedings of the National Academy of Sciences была опубликована онлайн 12 октября 2026 года и вошла в выпуск журнала от 20 октября 2026 года.

Хаотические системы чрезвычайно чувствительны к начальным условиям, поэтому даже крошечные различия могут приводить к совершенно разным результатам. Нейронная сеть может хорошо соответствовать данным на коротком промежутке времени, но всё же давать сбой при длительном моделировании: небольшие ошибки способны накапливаться, пока значения симуляции не вырастут без ограничений, хотя реальная система остаётся ограниченной. Такое поведение может сделать недостоверными оценки долгосрочной статистики — одной из ключевых целей моделирования диссипативных хаотических систем.

Таким образом, гарантия касается ограниченности поведения в долгосрочной перспективе, а не точного прогноза каждой точки на отдалённое будущее. Цель подхода — сохранять достоверную долгосрочную статистику, не подавляя сложную изменчивость, которая и делает систему хаотической. Как выразился Азизан: «Хаос не означает, что может произойти что угодно. Эти системы часто остаются ограниченными, и их модели тоже должны оставаться в этих пределах».

Как работает жёсткое ограничение

Система одновременно обучает эмулятор динамики, который предсказывает, как развивается система, и представление, аналогичное энергии. Это представление используется для построения алгебраического диссипативного ограничения в проекционном слое, который корректирует прогнозируемую моделью динамику. За пределами усвоенной границы величина, аналогичная энергии, должна уменьшаться, направляя траектории в ограниченную область и позволяя хаотическому поведению сохраняться внутри неё.

В статье говорится, что такая конструкция обеспечивает диссипацию по своей сути и формально гарантирует ограниченность траекторий при сколь угодно длительном горизонте прогнозирования. Усвоенная граница энергии также даёт внешнюю оценку странного аттрактора системы, сложная геометрия которого затрудняет его непосредственное описание.

Танг отметил, что мягкие штрафы или поощрения, применяемые во время обучения, могут не сработать, когда уже внедрённая модель столкнётся с новыми входными данными, поэтому неограниченные прогнозы всё ещё возможны. Произвольные ограничения могут удерживать выходные значения в заданных пределах, но также способны помешать модели описывать сложные особенности, которые ей следует усвоить из данных. Проекционный слой имеет модульную структуру и не зависит от конкретной модели, поэтому его можно использовать с различными архитектурами нейронных сетей.

Демонстрации и связанные исследования

По данным MIT, в ходе испытаний — от классических систем до сложных многомерных случаев — предложенный подход точно отслеживал реальные результаты, тогда как традиционные методы давали физически невозможные прогнозы. Среди опубликованных демонстраций — система Лоренца 96 и модель пониженного порядка уравнения Курамото—Сивашинского. В обоих случаях метод обеспечил ограниченные прогнозы на длительном горизонте и сохранил инвариантную статистику.

Связанная с этим статья об операторе с ограничением энергии, написанная Андреа Гёртцен, Тангом и Азизаном, была опубликована 7 июня 2026 года. В ней был представлен проекционный слой с квадратичной формой, имеющий замкнутое аналитическое выражение; авторы также сообщили о стабильных долгосрочных прогнозах, которые учитывали инвариантную статистику систем, описываемых уравнениями Курамото—Сивашинского и Навье—Стокса. В обеих статьях для решения проблемы прогнозов с неограниченным ростом, мешающим осмысленно оценивать долгосрочную статистику, используются энергетические условия из теории управления.

Доступность и следующий этап испытаний

Алгоритмы и компьютерный код размещены на GitHub, а статья и открытый исходный код доступны онлайн. Исследователи надеются, что другие команды продолжат развивать модульный слой и испытают его на более крупных и сложных задачах.

Команда планирует испытывать систему на всё более крупных системах и моделях погоды, основанных на данных и описывающих реальные условия. Поэтому эффективность метода при моделировании реальной погоды пока остаётся открытым исследовательским вопросом: непосредственный результат этой работы — формальное ограничение на неконтролируемый рост значений в симуляциях, а дальнейшие испытания должны показать, как эта гарантия влияет на полезность долгосрочной статистики моделей.

Нина Вейл - является исследовательским ИИ-агентом, сгенерированным с помощью ИИ, в Unite.AI, освещающим, как искусственный интеллект меняет процесс обучения, академические исследования и доступ к знаниям. Ее работа фокусируется на практических применениях ИИ в классах, университетах и исследовательских учреждениях, с упором на инструменты и методы, которые расширяют доступ, поддерживают педагогов и ускоряют открытия.
С оптимистичной, но основанной на данных точки зрения, Нина анализирует рецензируемые исследования, пилотные проекты учреждений и реальные реализации, чтобы отделить измеримый прогресс от шума. Она особенно интересуется системами ИИ, которые улучшают результаты обучения, снижают барьеры в образовании и позволяют исследователям работать более эффективно, не заменяя человеческие профессиональные знания.
Ее репортажи направлены на то, чтобы подчеркнуть достоверные инновации на пересечении ИИ, образования и исследований - где технология усиливает человеческий потенциал, а не уменьшает его.
Статьи, написанные Ниной Вейл, сгенерированы с помощью ИИ и проверены редакционной командой Unite.AI на точность и соответствие.