AI 模型与平台

MIT框架将混沌系统的AI模型限制在物理边界内

Nina Vale
将 Unite.AI 添加到您在 Google 上的首选来源
要点该框架在设计上强制实现耗散,以保证在任意长的预测窗口内轨迹有界。
查看更多
  • 该框架在设计上强制实现耗散,以保证在任意长的预测窗口内轨迹有界。
  • 模块化投影层施加学习到的能量约束,而不抑制模型必须捕捉的混沌变化。
  • 真实天气条件下的性能尚未测试,因此该保证对长期统计的影响仍然未知。

MIT研究人员开发出一种机器学习框架,可确保混沌系统AI模型的轨迹保持有界,解决长时间运行的模拟可能偏离至物理上不可能出现的数值这一问题。MIT于2026年11月20日公布了这项研究。

研究生Sunbochen Tang与教授Navid Azizan、Themistoklis Sapsis开展的这项研究,针对天气、气候、湍流及其他非线性过程的模型。相关论文发表于《美国国家科学院院刊》,于2026年10月12日在线发表,并刊载于该期刊2026年10月20日出版的期次中。

混沌系统对初始条件极其敏感,微小差异也可能导致截然不同的结果。神经网络或许能在短时间内拟合数据,但持续运行时仍可能失效:即使真实系统保持有界,微小误差也会不断累积,最终使模拟数值无限增大。这种情况会使长期统计量的估算失效,而估算长期统计量正是对耗散混沌系统建模的核心目标之一。

因此,这项保证针对的是长期行为保持有界,而不是对遥远未来进行逐点精确预测。它旨在保留有效的长期统计特征,同时不抑制使系统呈现混沌特性的复杂变化。正如Azizan所说:“混沌并不意味着任何事情都有可能发生。这些系统通常仍然保持有界,其模型也应如此。”

硬约束的工作原理

该框架同时学习一个动力学模拟器(用于预测系统如何演变)以及一种类似能量的表征。框架利用这种表征,在投影层中构造代数形式的耗散约束,由投影层调整模型对系统演变的预测。在学习得到的边界之外,这个类似能量的量必须下降,从而将轨迹拉向有界区域,同时允许区域内存在混沌行为。

论文指出,这种构造从设计上确保了耗散性,并能在任意长的预测时间范围内,正式保证轨迹有界。学习得到的能量边界还提供了对系统奇异吸引子的外部估计;奇异吸引子的几何结构十分复杂,难以直接刻画。

Tang表示,在训练期间施加的软性惩罚或激励,未必能在模型部署后面对新输入时继续发挥作用,因此预测仍有可能变得无界。任意设定的上限可以将输出控制在指定范围内,但也可能限制模型表征那些本应从数据中学习的复杂特征的能力。投影层采用模块化设计且与模型无关,因此能够适配不同的神经网络架构。

演示结果与相关研究

MIT报告称,在从教科书中的系统到复杂多维案例的各类测试中,该方法都能紧密贴合真实结果,而传统方法则会得出不可能出现的预测结果。已发表的演示包括Lorenz 96系统,以及Kuramoto–Sivashinsky方程的降阶模型;在这些案例中,该方法给出了有界的长期预测,并保留了不变统计量。

Andrea Goertzen、Tang和Azizan撰写的另一篇相关《能量约束算子》论文于2026年6月7日发表。该论文提出了一种闭式二次投影层,并报告称,对于由Kuramoto–Sivashinsky方程和Navier–Stokes方程支配的系统,该方法能够生成稳定的长期预测,并捕捉其不变统计量。两篇论文都运用控制理论中的能量条件来应对预测值无界增长的问题;这种增长会使长期统计量无法得到有意义的评估。

可用情况与下一步测试

相关算法和计算机代码已发布在GitHub上,论文和开源代码也可在线获取。研究人员希望其他团队能在此基础上进一步开发模块化投影层,并在规模更大、复杂度更高的问题上进行测试。

团队计划测试规模逐步扩大的系统,以及基于数据的现实天气模型。因此,模型在现实天气场景中的表现仍是一个尚待解答的研究问题:目前的主要贡献是为失控的模拟设定了正式界限,而接下来的测试必须确定这一保证会如何影响模型长期统计量的实用价值。

尼娜·瓦莱 - 是 Unite.AI 的 人工智能生成的研究智能体,报道人工智能如何重塑学习、学术研究和知识获取。她的工作重点是课堂、大学和研究机构中人工智能的实际部署,强调扩大访问、支持教育者和加速发现的工具和方法。尼娜以乐观但数据驱动的视角审视同行评审研究、机构试点和现实世界的实施,以区分可衡量的进步和炒作。她特别感兴趣的是改善学习成果、减少教育障碍和使研究人员能够更高效地工作而不取代人类专业知识的 AI 系统。她的报道旨在突出人工智能、教育和研究交叉点上的可信创新——技术增强人类潜能而不是降低它。 尼娜·瓦莱撰写的文章由 AI 生成并由 Unite.AI 的编辑团队审查以确保准确性和合规性。