MIT团队用硬约束保证混沌预测有界
先了解这件事
MIT信息与决策系统实验室(LIDS)团队提出一种硬约束方法:让机器学习模型学习能量类函数,并加入投影层强制能量耗散,从理论上保证混沌系统预测在任意长时间窗口内始终有界。该研究由MIT研究生Sunbochen Tang与教授Navid Azizan、Themistoklis Sapsis完成,论文发表于PNAS;团队称这是首个为混沌机器学习模型建立此类形式化保证的工作。 据团队介绍,该方法测试覆盖从教科书案例到高维复杂系统,结果与真实演化高度吻合,而传统方法很快偏离。投影层与模型无关,可适配不同神经网络架构。 论文与开源代码已在PNAS网站免费公开。团队称,使用这些免费公开的信息可能显著提升此类模型的实用性与可靠性;这一效果表述来自团队,尚未作为已验证结论呈现。
AI 根据报道生成 · 20 小时前更新
报道时间线
沿着报道,了解事件的不同侧面。
- RadarAIMIT LIDS 提出硬约束神经网络,让混沌系统 AI 模型预测始终有界
MIT LIDS 团队提出硬约束神经网络方法,让模型学习能量类函数并加入投影层强制能量耗散,从理论上保证混沌系统预测在任意长预测窗口内保持有界。该研究称这是首个为混沌机器学习模型建立此类形式化保证的工作,测试覆盖从教科书案例到高维复杂系统,结果与真实演化高度吻合,而传统方法很快偏离为不可能预测。论文发表于 PNAS,代码与数据已免费开放,投影层与模型无关,可适配不同神经网络架构。
- MIT News · AIMIT LIDS 新方法让 AI 混沌系统模型保持物理一致性
MIT 信息与决策系统实验室(LIDS)提出一种硬约束方法,通过让模型学习能量类函数并加入投影层强制能量耗散,从理论上保证混沌系统预测在任意长的时间窗口内始终有界。该研究首次为混沌机器学习模型建立此类形式化保证,成果发表于 PNAS,相关数据已免费公开。
本事件热度走势
- 可比范围当前
- 11
- 可比范围峰值
- 1911月21日 06:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。