MIT、カオス系AI予測を物理的な範囲内に保つ手法

暴走予測を防止

長期予測でも出力の有界性を保証
エネルギー関数と射影層を活用
学習時の罰則に頼らない

幅広い応用を想定

気象や乱流などの予測に適用
複数の物理系で既存手法と比較
論文とコードを公開
詳細を読む

MITの研究チームは、カオス系を予測する機械学習モデルの出力を、現実にあり得る範囲内に保つ手法を開発しました。気象や気候、航空機周辺の乱流などでは、長期シミュレーション中に小さな誤差が積み重なり、現実には起こり得ない値へ予測が逸脱する問題があります。

従来の一部手法は、学習時に物理制約を満たすよう罰則や誘因を与えますが、未知の入力を扱う運用時にも制約が守られる保証はありません。MITの手法は、学習時の誘導ではなく、予測時に制約を強制する仕組みを組み込みます。

モデルは実際の系に基づくエネルギーに似た関数と、カオス的な挙動が収まる境界を学習します。さらに射影層が予測を調整し、境界の外ではそのエネルギー量が減るようにすることで、軌道が有界領域に引き戻される理論的保証を設けました。

チームは教科書的な例から複雑な多次元系まで複数の物理系で検証しました。従来手法が早期に非現実的な予測へ逸脱する一方、新手法は真の挙動に近い結果を維持したと報告しています。

この方法は気象予測、流体力学、航空、 水文学を含む幅広い用途を想定し、異なるニューラルネットワーク構造にも適用可能な設計です。論文とオープンソースコードが公開されており、研究チームはより大規模で現実的な気象システムでの検証を進める考えです。