New approach enables physically consistent AI models of chaotic systems

媒体报道 MIT News AI 原文语言:英文

麻省理工学院的研究人员开发了一种新方法,通过对机器学习模型施加基于物理的能量耗散硬约束,防止天气、气候和湍流等复杂非线性系统的AI预测无限期漂移。该方法在保留混沌动态灵活性的同时,确保了预测结果保持在真实世界的合理边界之内。

全文

面包屑

MIT 新闻

新方法实现混沌系统的物理一致 AI 模型

新方法实现混沌系统的物理一致 AI 模型

强制基于物理的约束可防止 AI 模型在天气、气候和湍流等复杂非线性系统中产生不可靠的预测。

David Chandler | 信息与决策系统实验室

发布日期:

2026 年 11 月 20 日

媒体询问

媒体联系人:

Amanda

Moore

电子邮件:

amm@mit.edu

信息与决策系统实验室

关闭

说明:

通过将能量耗散作为硬约束强加,该方法防止预测无限增长,同时在其学习的边界内允许混沌行为。该发现有望支持对气候系统和湍流中长期模式的更可靠预测。

致谢:

图片来源:Sunbochen Tang。

对诸如天气和气候模式以及航空、海洋流等湍流等复杂混沌过程的建模近年来取得了巨大发展。然而,这类模型仍然容易随时间漂移到物理上不可能的预测。

现在,MIT 信息与决策系统实验室(LIDS)的研究人员找到了一种在机器学习模型上引入基于物理的限制的方法,能够确保这些模型永远不会超出实际世界可能的真实边界。该新方法使用团队现已免费提供的信息,可能显著提升此类模型的实用性和可靠性,这些模型除了用于气候和天气外,还广泛应用于工业过程、航空和水文等领域。

新发现已发表在《美国国家科学院院刊》(PNAS)上,论文作者为 MIT 研究生 Sunbochen Tang 与 MIT 教授 Navid Azizan 和 Themistoklis Sapsis。

“缺乏有界响应的保证一直是为复杂非线性系统制定数据驱动模型的主要障碍,”机械工程教授兼 LIDS 附属研究员 Sapsis 说。他指出,团队开发的方法“为在大量真实世界问题中应用最先进的机器学习架构进行预测和控制铺平了道路,即使是那些本质上不稳定的问题”。

为复杂动力系统开发可靠模型在许多领域都至关重要。在流体动力学中,湍流会扰乱航空旅行、降低风力发电机效率并影响车辆的燃油经济性。同样,在天气预报中,大气动力学的混沌特性使得长期准确预测变得困难。

“起始条件的细微差别会导致混沌系统出现截然不同的结果,”Azizan 说。“这使得对其远期行为的预测极其困难。”然而,现实世界中始终存在对可能变化的物理约束。

“混沌并不意味着任何事都可能发生。这些系统通常是有界的,它们的模型也应该如此。”但如何将这些边界引入模型一直是个棘手的问题,Azizan 说,他是机械工程系 Hayes 副教授、数据、系统与社会研究所成员,也是 LIDS 的主要研究者。

“一个模型可以在短期内匹配数据,却在长时间运行时失效,”他说。“小误差会累积,导致模拟产生无限增长的数值”,产生在真实系统中永不可能出现的预测。

“这是许多现有机器学习模型的根本问题,”他说。“在不同领域经常出现这样的问题:如何在保持模型灵活性的同时,将物理约束嵌入模型,以确保输出具有物理意义?”

“我们希望保留混沌特性,同时避免真实系统不存在的人工失控行为,”他说。“我们的方法为模型提供学习复杂动力学的空间,同时保证其轨迹保持有界。”这是首次为混沌机器学习模型提供此类形式化保证的工作。

航空航天系兼LIDS的博士生唐(Tang)表示,以往防止此类模型产生不切实际结果的尝试,通常是基于“在训练期间施加惩罚或激励”,所使用的函数往往是根据关于系统的特权信息设计的。但他表示,由于这些方法仅适用于模型的训练过程,“一旦模型在实际使用中处理新的输入,就无法保证模型在测试时能够满足此类激励所预期的底层约束”。他指出:“模型仍然可能产生无界预测。”

为了说明为什么简单地施加任意限制不能令人满意地解决预测稳定性问题,唐解释说:“你可以对预测进行封顶,例如,通过对物理量设置任意限制,比如将温度设为100度。这是保持预测有界的一种可能方法,但它可能会限制模型去表达那些应该直接从数据中学习的复杂且非常规的特征。”

他说:“我们方法的不同之处在于,我们构建了基于能量的约束。我们让模型学习一个类能量函数,”该函数基于现实世界的混沌系统,其中能量耗散有助于在复杂的行为中保持轨迹有界。“具体而言,模型会学习一个类能量函数,以及一个应将其混沌行为限制在内的边界。然后,我们添加一个投影层——一个调整模型对系统演化预测方式的组件,以将能量耗散强制为硬约束。在该边界之外,类能量必须减少,从而使模拟系统被吸引向有界区域。这样,我们就能建立理论保证,即模型预测在任意长的预测窗口内保持有界。”

研究团队在各种不同的知名物理系统上测试了他们的方法,从简单的教科书案例到高度复杂的多维系统,结果发现他们的方法与真实结果高度吻合,而传统方法很快就偏离成了不可能的预测。

阿齐赞(Azizan)补充道:“我们的方法与现有方法之间的根本区别在于我们所说的硬约束与软约束。”虽然许多当前的方法“试图激励模型满足约束,但它们并未被视为硬约束。我们的方法基于硬约束神经网络的概念,”因此输出的内容“始终在物理上保持一致,即使它是模型从未见过的全新案例。”

阿齐赞说:“在有大量可用数据的场景下,人工智能模型大显身手,”例如图像或文本,这两者在互联网上都极为丰富。然而,他指出,“对于许多物理系统而言,数据并没有那么丰富。”他说,对于这种数据有限的情况,“这些受物理约束的方法可以提供很大帮助,因为问题的物理原理是另一个信息来源。”

这种新方法对任何混沌系统都具有广泛的用途。唐表示:“这很容易适用于广泛的神经网络架构。”他们计划继续在更大规模的系统上对其进行测试。“我们正试图看看这在现实天气系统的数采模型上效果如何。”

阿齐赞说:“投影层是模块化的:它是与模型无关的,可以与不同的神经网络架构协同工作。我们希望其他研究人员和从业者能够在此基础上进行构建,并在更大、更复杂的问题上对其进行测试。”该论文连同开源代码现已在PNAS在线发布。

该团队成员今年的一项后续工作在“学习动态与控制”会议上进行了展示。该论文获得了该会议的最佳论文奖。

阿齐赞说:“值得信赖和可靠的人工智能需要的不仅仅是模型通常有效的证据。对于高风险的应用,你需要对必须始终成立的属性做出保证。在这项工作中,我们确立了这样一个保证:有界性。我们更广泛的目标是将原则作为人工智能模型构建方式的一部分,而不仅仅是测试方式的一部分。”

将此新闻文章分享至:

X

Facebook

LinkedIn

Reddit

打印

论文

论文:“Learning dissipative chaotic dynamics with boundedness guarantees”

相关主题

工程学院

麻省理工学院苏世民计算学院

航空航天工程

电气工程与计算机科学 (EECS)

机械工程

IDSS

信息与决策系统实验室 (LIDS)

计算机科学与技术

人工智能

机器学习

算法

计算机建模

流体力学

气候

天气

研究

开源

正文为 AI 译文。

参考来源

← 返回每日AI报告