Ce qui s'est passé
Une équipe du Laboratory for Information and Decision Systems (LIDS) du MIT a mis au point une méthode qui empêche les modèles d'apprentissage automatique de systèmes chaotiques, notamment la météo, le climat et les écoulements turbulents, de produire des prévisions physiquement impossibles, selon MIT News. L'article, publié dans la revue Proceedings of the National Academy of Sciences, est signé du doctorant Sunbochen Tang et des professeurs Navid Azizan et Themistoklis Sapsis.
Dans cette méthode, le modèle apprend conjointement une fonction de type énergie et une frontière censée contenir son comportement chaotique. Une couche de projection ajoutée impose la dissipation d'énergie comme contrainte stricte : au-delà de cette frontière, la quantité de type énergie doit diminuer et la simulation est ramenée à l'intérieur. L'équipe affirme que cela fournit une garantie théorique que les prédictions restent bornées sur des horizons de prévision de n'importe quelle durée.
Lors de tests sur des systèmes physiques bien connus, des exemples simples de manuel aux systèmes multidimensionnels complexes, l'approche a suivi de près les résultats réels, tandis que les méthodes conventionnelles divergeaient rapidement. Le code open source est disponible avec l'article. Navid Azizan a indiqué que la couche est indépendante du modèle utilisé. Sunbochen Tang a précisé que l'équipe prévoit ensuite de l'essayer sur des modèles de météo réaliste fondés sur les données. Un article de suivi rédigé par des membres de l'équipe a reçu le Best Paper Award de la conférence Learning for Dynamics and Control de cette année.
Contexte
Les systèmes chaotiques sont extrêmement sensibles à leurs conditions initiales, et de petites erreurs dans les modèles appris peuvent s'accumuler jusqu'à ce que les résultats croissent sans limite. Sunbochen Tang a expliqué que les correctifs antérieurs reposaient sur des pénalités ou des incitations pendant l'entraînement, qui n'offrent aucune assurance dès que le modèle rencontre de nouvelles entrées. Il a ajouté que plafonner simplement les valeurs à des limites arbitraires peut empêcher un modèle d'apprendre des caractéristiques complexes à partir des données.
Le briefing
La semaine tech, en un seul e-mail.
Les dépêches qui méritent votre temps, chaque semaine. Désinscription à tout moment.
