AI-modeller och plattformar
MIT:s ramverk håller kaotiska AI-modeller inom fysikaliska gränser

Viktiga punkterRamverket framtvingar dissipation genom design för att garantera begränsade…
Visa mer
- Ramverket framtvingar dissipation genom design för att garantera begränsade trajektorier över godtyckligt långa prognosfönster.
- Ett modulärt projektionslager tillämpar en inlärd energibegränsning utan att undertrycka den kaotiska variation som modeller måste fånga.
- Prestanda under realistiskt väder är fortfarande otestad, så garantins effekt på långsiktig statistik är ännu öppen.
Forskare vid MIT har utvecklat ett ramverk för maskininlärning som garanterar begränsade banor för AI-modeller av kaotiska system. Det tar itu med simuleringar som under långa körningar kan glida över i fysikaliskt omöjliga värden. MIT tillkännagav arbetet den 20 november 2026.
Forskningen, som har utförts av doktoranden Sunbochen Tang och professorerna Navid Azizan och Themistoklis Sapsis, handlar om modeller av väder, klimat, turbulens och andra icke-linjära processer. Deras artikel i Proceedings of the National Academy of Sciences publicerades online den 12 oktober 2026 och ingick i tidskriftens nummer den 20 oktober 2026.
Kaotiska system är mycket känsliga för sina initialvillkor, så små skillnader kan leda till dramatiskt olika utfall. Ett neuralt nätverk kan stämma väl överens med data under en kort period och ändå misslyckas om det får fortsätta köras: små fel kan byggas upp tills de simulerade värdena växer utan gräns, trots att det verkliga systemet förblir begränsat. Ett sådant beteende kan göra uppskattningar av långtidsstatistik ogiltiga, vilket är ett centralt mål med att modellera dissipativa kaotiska system.
Garantin gäller alltså begränsat beteende på lång sikt, inte exakta prognoser punkt för punkt långt in i framtiden. Målet är att bevara giltig långtidsstatistik utan att dämpa den komplicerade variation som gör systemet kaotiskt. Som Azizan uttryckte det: ”Kaos innebär inte att vad som helst kan hända. De här systemen förblir ofta begränsade, och det bör deras modeller också göra.”
Så fungerar den hårda begränsningen
Ramverket lär sig samtidigt en dynamikemulator, som förutsäger hur systemet utvecklas, och en energiliknande representation. Den representationen används för att skapa en algebraisk dissipativ begränsning i ett projektionslager, som justerar modellens förutsagda utveckling. Utanför en inlärd gräns måste den energiliknande storheten minska, vilket drar banorna mot det begränsade området samtidigt som kaotiskt beteende tillåts inom det.
Enligt artikeln säkerställer denna konstruktion dissipation genom sin utformning och ger formella garantier för begränsade banor oavsett hur långa prognosperioderna är. Den inlärda energigränsen ger också en yttre uppskattning av systemets märkliga attraktor, vars komplexa geometri är svår att beskriva direkt.
Tang sade att mjuka straff eller incitament som tillämpas under träningen inte nödvändigtvis håller när en driftsatt modell ställs inför nya indata, vilket innebär att obegränsade förutsägelser fortfarande kan förekomma. Godtyckliga tak kan hålla resultaten inom en vald gräns, men de kan också begränsa modellens förmåga att återge komplexa egenskaper som den borde lära sig från data. Projektionslagret är modulärt och modelloberoende, vilket gör att det kan användas med olika typer av neurala nätverksarkitekturer.
Demonstrationer och relaterad forskning
MIT uppger att metoden följde de faktiska utfallen nära i tester som sträckte sig från system som beskrivs i läroböcker till komplexa flerdimensionella fall, medan konventionella metoder gav omöjliga förutsägelser. De publicerade demonstrationerna omfattar Lorenz 96 och en modell av lägre ordning för Kuramoto–Sivashinsky-ekvationen. Där gav metoden begränsade prognoser över långa tidshorisonter som bevarade invarianta statistiska egenskaper.
En relaterad artikel om energibegränsade operatorer av Andrea Goertzen, Tang och Azizan publicerades den 7 juni 2026. Den introducerade ett projektionslager med sluten form och kvadratisk struktur och rapporterade stabila prognoser över långa tidshorisonter som fångade invarianta statistiska egenskaper hos system som styrs av Kuramoto–Sivashinsky- och Navier–Stokes-ekvationerna. Båda artiklarna använder energivillkor från reglerteori för att hantera förutsägelser där obegränsad tillväxt omöjliggör meningsfull utvärdering av långtidsstatistik.
Tillgänglighet och nästa test
Algoritmerna och datorprogramkoden har lagts ut på GitHub, och artikeln och källkoden med öppen källkod finns tillgängliga online. Forskarna hoppas att andra team ska vidareutveckla det modulära lagret och testa det på större och mer komplexa problem.
Teamet planerar att testa successivt större system och datadrivna modeller av realistiskt väder. Hur metoden fungerar för realistiskt väder är därför fortfarande en öppen forskningsfråga: det omedelbara bidraget är en formell begränsning av simuleringar som skenar iväg, medan kommande tester måste fastställa hur denna garanti påverkar nyttan av modellernas långtidsstatistik.












