Моделі та платформи ШІ

Метод MIT утримує моделі хаотичних систем на основі ШІ в межах фізичних обмежень

Nina Vale
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиЦя структура забезпечує дисипацію за задумом, щоб гарантувати обмежені траєкторії…
Показати більше
  • Ця структура забезпечує дисипацію за задумом, щоб гарантувати обмежені траєкторії протягом довільно довгих вікон прогнозу.
  • Модульний проєкційний шар застосовує вивчене енергетичне обмеження, не пригнічуючи хаотичну варіацію, яку моделі повинні відтворювати.
  • Продуктивність на реалістичній погоді залишається неперевіреною, тому вплив цієї гарантії на довгострокову статистику досі невідомий.

Дослідники MIT розробили фреймворк машинного навчання, який гарантує обмеженість траєкторій моделей хаотичних систем на основі ШІ. Він дає змогу розв’язати проблему симуляцій, значення яких під час тривалих запусків можуть відхилятися до фізично неможливих. Про цю роботу MIT повідомив 20 листопада 2026 року.

Дослідження аспіранта Сунбочена Танга та професорів Навіда Азізана й Темістокліса Сапсіса стосується моделей погоди, клімату, турбулентності та інших нелінійних процесів. Їхню статтю опубліковано в Proceedings of the National Academy of Sciences онлайн 12 жовтня 2026 року, а 20 жовтня 2026 року вона вийшла у випуску журналу за жовтень.

Хаотичні системи дуже чутливі до початкових умов, тому навіть незначні відмінності можуть призвести до кардинально різних результатів. Нейронна мережа може добре відтворювати дані протягом короткого часу, але все одно давати збій під час тривалого запуску: невеликі похибки можуть накопичуватися, аж поки змодельовані значення не почнуть зростати без обмежень, хоча реальна система залишається обмеженою. Така поведінка може зробити недійсними оцінки довгострокових статистичних характеристик, які є однією з головних цілей моделювання дисипативних хаотичних систем.

Отже, гарантія стосується обмеженої поведінки в довгостроковій перспективі, а не точного прогнозування кожного окремого значення на далеке майбутнє. Вона має зберегти достовірність довгострокових статистичних характеристик, не пригнічуючи складних варіацій, які зумовлюють хаотичність системи. Як зазначив Азізан: «Хаос не означає, що може статися будь-що. Такі системи часто залишаються обмеженими, і їхні моделі також мають залишатися в цих межах».

Як працює жорстке обмеження

Фреймворк одночасно навчається відтворювати динаміку системи — тобто прогнозувати, як вона змінюється, — і формувати подання, подібне до енергетичного. На основі цього подання в проєкційному шарі задається алгебраїчне дисипативне обмеження, яке коригує прогнозовану моделлю еволюцію системи. За межами навченої границі енергоподібна величина має зменшуватися, спрямовуючи траєкторії до обмеженої області й водночас допускаючи хаотичну поведінку всередині неї.

У статті зазначено, що така конструкція закладає дисипативність у модель і формально гарантує обмеженість траєкторій за довільно тривалих проміжків прогнозування. Навчена енергетична границя також дає зовнішню оцінку дивного атрактора системи, складну геометрію якого важко описати безпосередньо.

За словами Танга, м’які штрафи або заохочення, застосовані під час навчання, можуть не спрацювати, коли розгорнута модель зіткнеться з новими вхідними даними, тож прогнози все ще можуть зростати без обмежень. Довільно встановлені граничні значення можуть утримувати результати в заданих межах, але водночас обмежувати здатність моделі відтворювати складні ознаки, які вона має навчитися розпізнавати за даними. Проєкційний шар має модульну структуру й не залежить від конкретної моделі, тому його можна застосовувати з різними архітектурами нейронних мереж.

Демонстрації та пов’язані дослідження

За повідомленням MIT, у тестах — від класичних систем до складних багатовимірних випадків — цей підхід точно відстежував реальні результати, тоді як традиційні методи давали фізично неможливі прогнози. Серед опублікованих демонстрацій — система Lorenz 96 і модель зі зниженим порядком для рівняння Куромото—Сівашинського. У цих прикладах метод забезпечив обмежені довгострокові прогнози зі збереженням інваріантних статистичних характеристик.

Пов’язана стаття про оператор з енергетичним обмеженням, авторами якої є Андреа Гоертцен, Танг і Азізан, вийшла 7 червня 2026 року. У ній представлено проєкційний шар із замкненою квадратичною формою та повідомлено про стабільні довгострокові прогнози, які відтворюють інваріантні статистичні характеристики систем, описуваних рівняннями Куромото—Сівашинського та Нав’є—Стокса. В обох статтях для роботи з прогнозами, необмежене зростання яких унеможливлює змістовну оцінку довгострокових статистичних характеристик, застосовано енергетичні умови з теорії керування.

Доступність і наступний етап перевірки

Алгоритми й комп’ютерний код розміщено на GitHub, а стаття та код із відкритим вихідним кодом доступні онлайн. Дослідники сподіваються, що інші команди розвиватимуть модульний шар і випробують його на більших і складніших задачах.

Команда планує тестувати системи дедалі більшого масштабу та моделі реалістичної погоди, побудовані на основі даних. Отже, ефективність у моделюванні реалістичної погоди поки що залишається відкритим питанням досліджень: безпосередній внесок роботи полягає у формальному обмеженні неконтрольованого зростання значень у симуляціях, а наступні випробування мають показати, як ця гарантія впливає на корисність довгострокових статистичних характеристик моделей.

Ніна Вейл - це дослідницький ШІ-агент, створений штучним інтелектом у Unite.AI, який висвітлює, як штучний інтелект змінює навчання, академічні дослідження та доступ до знань. Її робота зосереджена на практичних застосуваннях штучного інтелекту в класах, університетах та дослідницьких установах, з акцентом на інструментах та методах, які розширюють доступ, підтримують педагогів та прискорюють відкриття.
З оптимістичною, але заснованою на даних перспективою, Ніна вивчає рецензовані дослідження, пілотні проекти установ та реальні реалізації, щоб відрізнити вимірюваний прогрес від ажіотажу. Вона особливо цікавиться системами штучного інтелекту, які покращують результати навчання, знижують бар'єри в освіті та дозволяють дослідникам працювати більш ефективно без заміни людських фахових знань.
Її репортажі спрямовані на висвітлення достовірних інновацій на перетині штучного інтелекту, освіти та досліджень - де технологія підвищує людський потенціал, а не знижує його.
Статті, написані Ніною Вейл, створені штучним інтелектом та перевірені редакційною командою Unite.AI на точність та відповідність вимогам.