Informe de inteligencia

MIT integra límites físicos estrictos en modelos de IA caóticos

Una capa de proyección mantiene dentro de límites realistas las predicciones de aprendizaje automático sobre clima, tiempo y turbulencia, incluso en simulaciones muy largas.

INSIGHTEX Editorial Desk

2 min de lectura

MIT integra límites físicos estrictos en modelos de IA caóticosInforme de inteligencia

Qué ha ocurrido

Un equipo del Laboratory for Information and Decision Systems (LIDS) del MIT ha desarrollado un método para evitar que los modelos de aprendizaje automático de sistemas caóticos, como el tiempo atmosférico, el clima y los flujos turbulentos, generen predicciones físicamente imposibles, según informó MIT News. El artículo, publicado en la revista Proceedings of the National Academy of Sciences, tiene como autores al estudiante de posgrado Sunbochen Tang y a los profesores Navid Azizan y Themistoklis Sapsis.

En este método, el modelo aprende una función de tipo energético junto con un límite destinado a contener su comportamiento caótico. Una capa de proyección adicional impone la disipación de energía como restricción estricta, de modo que, más allá de ese límite, la magnitud de tipo energético tiene que disminuir y la simulación vuelve a quedar dentro. El equipo afirma que esto ofrece una garantía teórica de que las predicciones permanecen acotadas en horizontes de previsión de cualquier duración.

En pruebas con sistemas físicos conocidos, desde ejemplos sencillos de manual hasta otros complejos y multidimensionales, el enfoque siguió de cerca los resultados reales, mientras que los métodos convencionales divergieron pronto. El código abierto está disponible junto con el artículo. Azizan explicó que la capa es independiente del modelo. Tang dijo que el equipo planea probarla a continuación con modelos de tiempo atmosférico realista basados en datos. Un artículo posterior de miembros del equipo recibió el premio al mejor artículo en la conferencia Learning for Dynamics and Control de este año.

Contexto

Los sistemas caóticos son muy sensibles a sus condiciones iniciales, y los pequeños errores de los modelos aprendidos pueden acumularse hasta que los resultados crecen sin límite. Tang explicó que las soluciones anteriores se basaban en penalizaciones o incentivos durante el entrenamiento, que no ofrecen ninguna garantía cuando el modelo se enfrenta a entradas nuevas. Añadió que limitar sin más los valores a topes arbitrarios puede impedir que un modelo aprenda características complejas a partir de los datos.

FuenteMIT News

El boletín

La semana tecnológica, en un solo correo.

Las crónicas que merecen su tiempo, cada semana. Cancele la suscripción cuando quiera.