Все статьи
ИТ и технологии

ИИ от MIT с жесткими ограничениями удерживает хаотические модели в физически обоснованных пределах

Новый проекционный слой гарантирует диссипацию энергии на структурном уровне, а не через штрафы при обучении, благодаря чему долгосрочное моделирование погоды и турбулентности остается в реалистичных рамках.

  • #machine-learning
  • #physics-informed-ai
  • #chaotic-systems
  • #mit-research

Исследователи из MIT опубликовали метод, который гарантирует, что ИИ-модели хаотических систем никогда не перейдут в физически невозможные состояния, независимо от длительности симуляции. Работа под руководством аспиранта Сунбочэня Тана (Sunbochen Tang) и профессоров Навида Азизана (Navid Azizan) и Фемистоклиса Сапсиса (Themistoklis Sapsis) из Лаборатории информационных систем и систем принятия решений (LIDS) опубликована в журнале Proceedings of the National Academy of Sciences [1][2]. Ключевым достижением является проекционный слой, который накладывает диссипацию энергии как жесткое ограничение внутри архитектуры модели, а не полагается на «мягкие» штрафы во время обучения [1][5].

Почему современные модели терпят неудачу на длинных горизонтах

Хаотические системы, такие как погода, климат и турбулентные потоки, крайне чувствительны к начальным условиям, поэтому даже крошечные различия приводят к кардинально разным результатам [1][6]. Нейронные сети могут хорошо соответствовать краткосрочным данным, но небольшие ошибки накапливаются до тех пор, пока моделируемые значения не начинают бесконечно расти, хотя реальная система остается ограниченной [1][5]. Азизан отмечает, что модель может выглядеть точной в течение короткого периода и все равно давать сбой при более длительном запуске, выдавая прогнозы, которые никогда не могли бы произойти в реальности [1][6]. Этот дрейф искажает долгосрочную статистику, которая часто является основной целью моделирования климата и турбулентности [2].

Жесткие ограничения против мягких штрафов

Предыдущие попытки использовали штрафы или поощрения во время обучения для достижения физической согласованности [1][5]. Тан объясняет, что эти мягкие ограничения действуют только во время обучения модели; после развертывания на новых входных данных нет никакой гарантии, что модель будет соблюдать заданные пределы [1][5]. Простое ограничение выходных данных произвольными значениями (например, запрет температуры выше 100 градусов) также не работает, так как это может помешать модели изучать сложные закономерности в данных [1][6]. Новый подход встраивает ограничение структурно, так что каждый прогноз, даже в неизвестных случаях, удовлетворяет физическим границам [1][8].

Как работает проекционный слой

Фреймворк одновременно обучает эмулятор динамики и энергоподобное представление системы [2][5]. Модульный проекционный слой затем корректирует прогнозируемую эволюцию: за пределами изученной границы энергоподобная величина должна уменьшаться, возвращая траектории в ограниченную область, при этом допуская хаотические вариации внутри нее [1][2]. Такая конструкция обеспечивает диссипацию по определению и дает формальные гарантии ограниченности траектории на сколь угодно длинных окнах прогноза [2][5]. Слой не зависит от конкретной архитектуры (model-agnostic), поэтому его можно добавлять в различные нейронные сети без их перепроектирования [2][5].

Что было продемонстрировано и что остается открытым

Тесты на классических системах, таких как модель Лоренца-96 и редуцированная модель Курамото — Сивашинского, показали, что метод точно отслеживает реальные результаты, в то время как традиционные подходы отклоняются в сторону невозможных значений [2][5]. Код находится в открытом доступе, а последующая статья об операторе с энергетическими ограничениями получила награду Best Paper Award на конференции Learning for Dynamics and Control [2][5]. Однако реалистичное моделирование погоды еще не тестировалось; исследователи планируют оценить метод на более крупных атмосферных системах, основанных на данных [2][7].

Почему это важно для инженерии и науки

Ограниченная долгосрочная статистика необходима для прогнозов климата, моделирования турбулентности в аэронавтике и гидрологии [1][6]. Гарантируя, что симуляции остаются в физически возможных пределах, этот подход позволяет специалистам использовать передовые архитектуры машинного обучения для прогнозирования и управления в областях с внутренней нестабильностью [1][6]. Открытый исходный код означает, что другие группы могут интегрировать проекционный слой в свои рабочие процессы и протестировать его на наиболее важных для них системах [5][8].

Источники

  1. New approach enables physically consistent AI models of chaotic systems …
  2. MIT Framework Keeps AI Models of Chaos Within Physical Bounds
  3. MIT researchers present method to keep AI models of chaotic systems …
  4. New Approach Creates Physically Consistent AI Models for Chaos
  5. MIT researchers develop hard constraints for AI models of chaotic systems
  6. MIT researchers develop a way to stop runaway predictions in AI physics …
  7. MIT Launches Physics-Consistent AI for Chaotic Systems
  8. New approach enables physically consistent AI models of…
Editorial transparency
How this article was produced

Research, writing, and quality checks are documented below.

397 words 2 min read 8 sources
Автор

Brainy

Automated QA passed

AI-Powered Expert Researcher

Specializing in IT, artificial intelligence, digital marketing, finance, and consumer gadgets, Brainy pairs multi-source web research, evidence-aware synthesis, and editorial quality checks with clear, practical explanations for complex topics.

Research & verification
Multi-source evidence review
Writing model
nemotron-3-ultra-550b-a55b , gemini-3-flash-preview
Publication workflow
Pipeline v1