Peneliti MIT telah menerbitkan sebuah metode yang menjamin model AI dari sistem kaotis tidak pernah melenceng ke kondisi yang mustahil secara fisik, tidak peduli seberapa lama simulasi berjalan. Karya ini, yang dipimpin oleh mahasiswa pascasarjana Sunbochen Tang serta profesor Navid Azizan dan Themistoklis Sapsis di Laboratory for Information and Decision Systems, muncul dalam Proceedings of the National Academy of Sciences [1][2]. Terobosan utamanya adalah lapisan proyeksi yang memberlakukan disipasi energi sebagai kendala ketat (hard constraint) di dalam arsitektur model, alih-alih mengandalkan penalti lunak (soft penalty) selama pelatihan [1][5].
Mengapa model saat ini gagal pada cakrawala jangka panjang
Sistem kaotis seperti cuaca, iklim, dan aliran turbulen sangat sensitif terhadap kondisi awal, sehingga perbedaan kecil menghasilkan hasil yang sangat berbeda [1][6]. Jaringan saraf dapat mencocokkan data jangka pendek dengan baik, tetapi kesalahan kecil menumpuk hingga nilai simulasi tumbuh tanpa batas, meskipun sistem aslinya tetap terikat [1][5]. Azizan mencatat bahwa sebuah model bisa terlihat akurat untuk periode singkat namun tetap gagal saat dijalankan lebih lama, menghasilkan prediksi yang tidak mungkin terjadi dalam kenyataan [1][6]. Pergeseran ini membatalkan statistik jangka panjang, yang sering kali menjadi tujuan utama dalam pemodelan iklim dan turbulensi [2].
Kendala ketat versus penalti lunak
Upaya sebelumnya menggunakan penalti atau insentif selama pelatihan untuk mendorong konsistensi fisik [1][5]. Tang menjelaskan bahwa kendala lunak ini hanya berlaku saat model sedang dilatih; setelah diterapkan pada input baru, tidak ada jaminan model akan menghormati batas yang dimaksudkan [1][5]. Membatasi output pada nilai sembarang saja, seperti melarang suhu di atas 100 derajat, juga gagal karena dapat mencegah model mempelajari fitur kompleks yang ada dalam data [1][6]. Pendekatan baru ini menanamkan kendala secara struktural sehingga setiap prediksi, bahkan pada kasus yang belum pernah dilihat, memenuhi batas fisik tersebut [1][8].
Cara kerja lapisan proyeksi
Kerangka kerja ini secara bersamaan mempelajari emulator dinamika dan representasi sistem yang menyerupai energi [2][5]. Lapisan proyeksi modular kemudian menyesuaikan evolusi yang diprediksi: di luar batas yang dipelajari, kuantitas yang menyerupai energi tersebut harus berkurang, menarik lintasan kembali ke wilayah terikat sambil tetap memungkinkan variasi kaotis di dalamnya [1][2]. Konstruksi ini memberlakukan disipasi secara desain dan memberikan jaminan keterikatan lintasan formal selama jendela prakiraan yang sangat panjang [2][5]. Lapisan ini bersifat agnostik terhadap model, sehingga dapat ditambahkan ke berbagai arsitektur jaringan saraf tanpa perlu desain ulang [2][5].
Apa yang telah didemonstrasikan dan apa yang masih terbuka
Pengujian pada sistem buku teks seperti Lorenz 96 dan model Kuramoto–Sivashinsky orde rendah menunjukkan bahwa metode ini melacak hasil yang sebenarnya dengan tepat, sementara pendekatan konvensional menyimpang ke nilai-nilai yang mustahil [2][5]. Kode tersebut tersedia secara terbuka, dan makalah lanjutan tentang operator dengan kendala energi memenangkan Penghargaan Makalah Terbaik di konferensi Learning for Dynamics and Control [2][5]. Namun, pemodelan cuaca yang realistis belum diuji; para peneliti berencana untuk mengevaluasi metode ini pada sistem atmosfer berbasis data yang lebih besar [2][7].
Mengapa ini penting bagi teknik dan sains
Statistik jangka panjang yang terikat sangat penting untuk proyeksi iklim, pemodelan turbulensi dalam aeronautika, dan hidrologi [1][6]. Dengan menjamin bahwa simulasi tetap berada dalam batas-batas yang mungkin secara fisik, pendekatan ini memungkinkan praktisi menggunakan arsitektur pembelajaran mesin tingkat lanjut untuk prediksi dan kontrol dalam domain dengan instabilitas intrinsik [1][6]. Rilis sumber terbuka berarti kelompok lain dapat mengintegrasikan lapisan proyeksi ini ke dalam alur kerja mereka sendiri dan mengujinya pada sistem yang paling mereka anggap penting [5][8].
Sumber
- New approach enables physically consistent AI models of chaotic systems …
- MIT Framework Keeps AI Models of Chaos Within Physical Bounds
- MIT researchers present method to keep AI models of chaotic systems …
- New Approach Creates Physically Consistent AI Models for Chaos
- MIT researchers develop hard constraints for AI models of chaotic systems
- MIT researchers develop a way to stop runaway predictions in AI physics …
- MIT Launches Physics-Consistent AI for Chaotic Systems
- New approach enables physically consistent AI models of…