×
In

美國麻省理工學院(MIT)研究團隊近期發表一項突破性技術,成功解決機器學習模型在預測動態混沌系統時,經常出現偏離現實、數值無限擴大的嚴重缺陷。這項刊登於《美國國家科學院院刊》(Proceedings of the National Academy of Sciences)的研究,由麻省理工學院資訊與決策系統實驗室(Laboratory for Information and Decision Systems)主導,並已將核心技術無條件開源,為氣象預報與航空航太等高度動態領域帶來可靠的新工具。

混沌系統的 AI 困境:為何預測總是會失控?

天氣、氣候、飛機周遭的亂流以及洋流,在數學上都屬於典型的混沌系統,其特點在於初始條件的微小差異,就會導致最終結果的巨大變化。近年來,人工智慧在這些領域的預測能力雖然大幅提升,但麻省理工學院的研究指出,這些模型在長時間運作時,往往會不知不覺地漂移到現實中絕不可能發生的數值。

麻省理工學院教授納維德・阿齊贊(Navid Azizan)指出,機器學習模型可以在短期內完美吻合觀測數據,但一旦拉長預測時間軸,微小的累積誤差就會讓模擬結果無限增長。阿齊贊強調,現實世界的混沌現象其實存在著邊界,因此相對應的預測模型也必須被限制在合理的物理範圍之內。

從能量消散出發:硬性約束如何改寫遊戲規則?

過去為了防止模型產生不切實際的輸出,多數研究團隊會選擇在訓練階段加入懲罰機制或獎勵誘因。該論文的第一作者、麻省理工學院研究生孫博臣(Sunbochen Tang)解釋,這些方法僅能形塑訓練過程,一旦模型在實際應用中遇到全新輸入,便無法保證依然會遵守原先設定的界線。若單純替預測結果設定絕對上限,又會剝奪模型從數據中學習複雜特徵的能力。

為了打破僵局,麻省理工學院團隊改從「能量」的角度切入,讓模型在學習混沌行為邊界的同時,也同步掌握類似能量的函數。研究人員在架構中加入一個投影層(projection layer),強制規定系統一旦超出邊界,能量數值就必須下降,藉此把模擬系統強行拉回允許的區域內。這種硬性約束(hard-constrained)的神經網路架構,是學界首次在機器學習的混沌模型中建立起形式化保證。

突破實驗室範疇:從航空亂流到工業製程的廣泛應用

  • 適用於處理高度不穩定與非線性的複雜動態系統。
  • 有效解決長期預測中數值無限放大的失控現象。
  • 大幅提升數據驅動模型在真實世界中的可靠度。

研究團隊在多個經典物理系統進行測試,結果顯示這套全新方法能緊密貼合真實結果,而傳統方法則很快就陷入不可能發生的荒謬預測。機械工程學系教授西米斯托克利斯・薩普西斯(Themistoklis Sapsis)表示,長期以來缺乏此類理論保證,一直是推動數據驅動複雜系統模型的主要障礙,而這項技術終於為高階機器學習架構開啟了大門。

這項技術雖然無法讓混沌預測變得百分之百完美,但它確實解決了數值無限飆升的單一痛點。從航空旅行中的亂流干擾、風力發電機的運轉效率,到車輛燃油經濟性與工業製程,當模型有了物理邊界的保護傘,人工智慧在應對瞬息萬變的現實環境時,才真正算跨出了穩健可靠的關鍵一步。

從產業面來看,這項研究最珍貴的地方不在於「準確率」的提升,而是替黑盒子般的機器學習模型加上了「物理煞車」。對一般人來說,我們或許不在乎演算法內部的能量函數怎麼運作,但當氣象預報或航空亂流預警不再出現荒謬的極端數值時,這才是 AI 從實驗室真正走向高風險實務應用的分水嶺。

本文改寫整理自公開新聞來源,原始報導由Around Prague發布。

常見問題 FAQ

麻省理工學院發展的新方法主要解決什麼問題?

該方法主要解決機器學習模型在預測氣象與亂流等混沌系統時,隨著時間拉長會產生不切實際、數值無限放大的失控預測問題。

這項技術與過去的預測模型有何不同?

過去多採用訓練時的軟性約束或懲罰機制,而麻省理工學院則透過神經網路加入投影層,建立起具備物理能量消散機制的硬性約束。

這項突破是否代表未來的氣象預報會完全準確?

並非如此。這項技術僅解決了數值無限放大的特定失效問題,混沌系統本身本質上難以預測的特性依然存在。

※ 此篇文章由 AI 改寫或生成,內容僅供參考,可能存在錯誤或不準確之處。

Related Posts

In

入住 Airbnb 不用再洗碗倒垃圾?全新退房規範正式上路

短租平台愛彼迎(Airbnb)針對房源守則推...

Read out all