Mô hình và nền tảng AI
Khung của MIT giữ các mô hình AI về hệ hỗn loạn trong giới hạn vật lý

Điểm chínhKhung này thực thi sự tiêu tán theo thiết kế để đảm bảo các quỹ đạo bị chặn trong các…
Xem thêm
- Khung này thực thi sự tiêu tán theo thiết kế để đảm bảo các quỹ đạo bị chặn trong các cửa sổ dự báo dài tùy ý.
- Một lớp chiếu mô-đun áp dụng ràng buộc năng lượng đã học mà không triệt tiêu biến thiên hỗn loạn mà các mô hình phải nắm bắt.
- Hiệu suất trên thời tiết thực tế vẫn chưa được kiểm chứng nên tác động của bảo đảm này lên thống kê dài hạn vẫn còn bỏ ngỏ.
Các nhà nghiên cứu tại MIT đã phát triển một khung học máy bảo đảm quỹ đạo của các mô hình AI về hệ hỗn loạn luôn bị chặn, qua đó giải quyết tình trạng mô phỏng có thể trôi đến những giá trị bất khả thi về mặt vật lý khi chạy trong thời gian dài. MIT công bố nghiên cứu này vào ngày 20 tháng 11 năm 2026.
Nghiên cứu của nghiên cứu sinh Sunbochen Tang cùng các giáo sư Navid Azizan và Themistoklis Sapsis tập trung vào các mô hình thời tiết, khí hậu, nhiễu loạn và những quá trình phi tuyến khác. Bài báo của họ đăng trên Kỷ yếu của National Academy of Sciences được xuất bản trực tuyến vào ngày 12 tháng 10 năm 2026 và xuất hiện trong số ra ngày 20 tháng 10 năm 2026 của tạp chí.
Các hệ hỗn loạn rất nhạy với điều kiện ban đầu, vì vậy những khác biệt nhỏ cũng có thể dẫn đến kết quả khác biệt đáng kể. Mạng nơ-ron có thể khớp với dữ liệu trong một khoảng thời gian ngắn nhưng vẫn thất bại nếu được vận hành liên tục: các sai số nhỏ có thể tích lũy cho đến khi giá trị mô phỏng tăng không giới hạn, dù hệ thống thực vẫn bị chặn. Hiện tượng này có thể khiến các ước tính về thống kê dài hạn mất giá trị, trong khi đây là mục tiêu trọng tâm của việc mô hình hóa các hệ hỗn loạn tiêu tán.
Vì vậy, bảo đảm này αφορά đến hành vi bị chặn trong dài hạn, chứ không phải dự báo chính xác từng điểm ở thời điểm rất xa trong tương lai. Mục tiêu là duy trì các thống kê dài hạn hợp lệ mà không triệt tiêu những biến thiên phức tạp tạo nên tính hỗn loạn của hệ thống. Như Azizan đã nói: “Hỗn loạn không có nghĩa là chuyện gì cũng có thể xảy ra. Những hệ thống này thường vẫn bị chặn, và các mô hình của chúng cũng nên như vậy.”
Cơ chế hoạt động của ràng buộc cứng
Khung này đồng thời học một bộ mô phỏng động lực học, dùng để dự đoán diễn biến của hệ thống, và một biểu diễn tương tự năng lượng. Biểu diễn đó được dùng để xây dựng một ràng buộc tiêu tán đại số bên trong lớp chiếu, qua đó điều chỉnh diễn biến mà mô hình dự đoán. Bên ngoài một ranh giới được học, đại lượng tương tự năng lượng phải giảm, kéo các quỹ đạo về vùng bị chặn đồng thời vẫn cho phép hành vi hỗn loạn diễn ra bên trong vùng đó.
Bài báo cho biết cấu trúc này bảo đảm tính tiêu tán ngay từ khâu thiết kế và đưa ra các bảo đảm hình thức rằng quỹ đạo luôn bị chặn trong những khoảng dự báo dài tùy ý. Ranh giới năng lượng được học cũng cung cấp một ước tính bao ngoài về vật hút kỳ dị của hệ thống; hình học phức tạp của vật hút này khiến việc mô tả trực tiếp trở nên khó khăn.
Tang cho biết các hình phạt nhẹ hoặc biện pháp khuyến khích áp dụng trong quá trình huấn luyện có thể không còn hiệu lực khi mô hình được triển khai và gặp dữ liệu đầu vào mới, vì vậy vẫn có khả năng mô hình đưa ra các dự đoán không bị chặn. Các giới hạn tùy ý có thể giữ đầu ra trong một ngưỡng đã chọn, nhưng cũng có thể hạn chế khả năng biểu diễn những đặc trưng phức tạp mà mô hình cần học từ dữ liệu. Lớp chiếu có cấu trúc mô-đun và không phụ thuộc vào mô hình, nên có thể hoạt động với nhiều kiến trúc mạng nơ-ron khác nhau.
Các minh họa và nghiên cứu liên quan
MIT cho biết trong các thử nghiệm, từ những hệ thống kinh điển trong sách giáo khoa đến các trường hợp đa chiều phức tạp, phương pháp này bám sát kết quả thực tế, trong khi các phương pháp thông thường đưa ra những dự đoán bất khả thi. Các minh họa được công bố bao gồm Lorenz 96 và một mô hình bậc giảm của phương trình Kuramoto–Sivashinsky; trong các trường hợp này, phương pháp tạo ra những dự báo dài hạn bị chặn và bảo toàn các thống kê bất biến.
Một bài báo về Toán tử có ràng buộc năng lượng liên quan, do Andrea Goertzen, Tang và Azizan thực hiện, được xuất bản vào ngày 7 tháng 6 năm 2026. Bài báo giới thiệu một lớp chiếu bậc hai có dạng đóng và báo cáo các dự báo dài hạn ổn định, nắm bắt được những thống kê bất biến của các hệ chịu sự chi phối của phương trình Kuramoto–Sivashinsky và Navier–Stokes. Cả hai bài báo đều sử dụng các điều kiện năng lượng trong lý thuyết điều khiển để xử lý những dự đoán có mức tăng không bị chặn, vốn khiến việc đánh giá có ý nghĩa các thống kê dài hạn trở nên bất khả thi.
Khả năng tiếp cận và thử nghiệm tiếp theo
Các thuật toán và mã máy tính đã được đưa lên GitHub; bài báo và mã nguồn mở cũng có thể truy cập trực tuyến. Các nhà nghiên cứu hy vọng những nhóm khác sẽ phát triển thêm lớp mô-đun này và thử nghiệm nó trên các bài toán lớn hơn, phức tạp hơn.
Nhóm dự định thử nghiệm trên các hệ thống ngày càng lớn hơn và các mô hình thời tiết thực tế dựa trên dữ liệu. Vì vậy, hiệu quả trên các mô hình thời tiết thực tế vẫn là câu hỏi nghiên cứu chưa có lời giải: đóng góp trước mắt là đặt ra một giới hạn hình thức để ngăn mô phỏng tăng mất kiểm soát, còn các thử nghiệm tiếp theo cần xác định bảo đảm đó ảnh hưởng thế nào đến tính hữu ích của các thống kê dài hạn trong mô hình.












