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.



