🧠 Искусственный интеллект · · 2 мин чтения

Новый метод обеспечивает физически корректные ИИ‑модели хаотических систем

Учёные из MIT предложили новый подход, позволяющий ИИ‑моделям сохранять физическую правдоподобность при работе с хаотическими процессами. Это важно, потому что без таких ограничений прогнозы могут «улетать» в нереальные значения.

Иллюстрация к материалу: Новый метод обеспечивает физически корректные ИИ‑модели хаотических систем
Фото: NASA, ESA, M. Showalter (SETI Inst.), G. Bacon (STScI), CC BY 4.0, Wikimedia Commons, CC BY 4.0, источник
✓ Проверено по 1 источнику · 21 ноября 2026 г.

Коротко

  • Метод вводит физические ограничения в ИИ‑модели хаоса, предотвращая бесконтрольный рост предсказаний.
  • Работа устанавливает формальные гарантии для моделей хаоса.
  • Подойдёт для метеорологии, аэродинамики, гидрологии и других областей с хаотическими процессами.

Что случилось

Команда из лаборатории LIDS при Массачусетском технологическом институте (MIT) опубликовала в MIT News новый метод, который вводит физические ограничения в модели машинного обучения, работающие с хаотическими системами. До этого такие модели часто «дрейфовали» к невозможным значениям, особенно при длительных прогнозах.

«Chaos does not mean anything can happen. These systems often remain bounded, and their models should, too», – отметил профессор Themistoklis Sapsis.

Метод уже опубликован в журнале Proceedings of the National Academy of Sciences (PNAS).

Как это работает простыми словами

Традиционные модели ИИ обучаются только на данных и пытаются минимизировать ошибку. При этом они не «знают», какие значения реально возможны в природе. Если небольшие погрешности накапливаются, модель может выдавать рост параметров без ограничения – например, температуру, которая в реальном мире не может превысить физические пределы.

Новый подход использует энергетические ограничения. Модель обучается одновременно предсказывать динамику системы и «энергетическую» функцию, аналогичную тем, что определяют реальные физические системы (например, закон сохранения энергии). Затем добавляется projection layer – слой проекции, который в любой момент проверяет, не превышает ли энергия допустимый предел, и при необходимости корректирует предсказание, заставляя энергию убывать.

Таким образом, модель сохраняет гибкость в изучении сложных нелинейных зависимостей, но гарантирует, что её траектория останется в заранее определённой «границе», где физика допускает такие состояния.

Цифры и сроки

  • Исследование опубликовано 20 ноября 2026 года.
  • Это первая работа, которая устанавливает формальные гарантии для моделей хаоса такого типа.
  • Точные сроки коммерческого внедрения не указаны.

Кто это сделал

Работу провели аспирант Sunbochen Tang и профессора MIT Navid Azizan и Themistoklis Sapsis, принадлежащие к лаборатории LIDS и кафедрам механической инженерии и аэрокосмической техники. Azizan является Hayes Associate Professor в Department of Mechanical Engineering и членом Institute for Data, Systems, and Society.

Что дальше

Авторы считают, что их метод открывает путь к использованию самых современных архитектур машинного обучения в широком спектре реальных задач, где присутствует хаос: прогноз погоды, управление турбинами, аэродинамика самолётов, гидрология и другие промышленные процессы. Планируется расширять набор тестовых систем и интегрировать подход в существующие программные платформы, делая их открытыми для исследовательского сообщества.

Если в дальнейшем метод будет адаптирован под конкретные отрасли, он может снизить риск ошибок в долгосрочных прогнозах и улучшить эффективность управляемых систем, где важна стабильность предсказаний.

Что это значит для вас

Технология пока находится в академической стадии; конкретные сроки появления в коммерческих продуктах не объявлены, а цены не указаны. Ожидается, что в ближайшие годы она может стать частью систем прогнозирования погоды, управления ветровыми турбинами и аэродинамических симуляций, делая их более надёжными.

Частые вопросы

Почему обычные ИИ‑модели дают нереальные предсказания?

Они обучаются только на данных и не учитывают физические ограничения; небольшие ошибки накапливаются, приводя к «разбеганию» значений.

Какой элемент обеспечивает соблюдение ограничений?

Projection layer, который проверяет энергетическую функцию и корректирует предсказание, заставляя энергию убывать за пределами границы.

Когда можно ожидать применения в промышленности?

Сроки пока не названы; метод только опубликован в научных статьях и открывается сообществу.

Источники

  1. New approach enables physically consistent AI models of chaotic systems news.mit.edu первоисточник

Главное — утром в браузер

Один раз в день и пятничный разбор недели. Без e-mail и телефона: уведомление приходит в браузер, отключить можно одной кнопкой.

Выбрать рубрики и RSS

Читайте также