O que aconteceu
Uma equipe do Laboratory for Information and Decision Systems (LIDS) do MIT desenvolveu uma forma de impedir que modelos de aprendizado de máquina de sistemas caóticos, incluindo tempo, clima e escoamentos turbulentos, produzam previsões fisicamente impossíveis, segundo o MIT News. O artigo, publicado na revista Proceedings of the National Academy of Sciences, é assinado pelo estudante de pós-graduação Sunbochen Tang e pelos professores Navid Azizan e Themistoklis Sapsis.
No método, o modelo aprende uma função semelhante à energia, junto com uma fronteira destinada a conter seu comportamento caótico. Uma camada de projeção adicional impõe a dissipação de energia como restrição rígida: além dessa fronteira, a grandeza semelhante à energia é obrigada a diminuir, e a simulação é puxada de volta para dentro. A equipe afirma que isso oferece uma garantia teórica de que as previsões permanecem limitadas em horizontes de previsão de qualquer duração.
Em testes com sistemas físicos conhecidos, de exemplos simples de livros didáticos a sistemas multidimensionais complexos, a abordagem acompanhou de perto os resultados reais, enquanto os métodos convencionais logo divergiram. O código aberto está disponível junto com o artigo. Azizan disse que a camada é agnóstica em relação ao modelo. Tang disse que a equipe pretende, a seguir, testá-la em modelos de tempo realista baseados em dados. Um artigo de acompanhamento de integrantes da equipe recebeu o prêmio de Melhor Artigo na conferência Learning for Dynamics and Control deste ano.
Contexto
Sistemas caóticos são altamente sensíveis às condições iniciais, e pequenos erros em modelos aprendidos podem se acumular até que as saídas cresçam sem limite. Tang disse que correções anteriores dependiam de penalidades ou incentivos durante o treinamento, que não oferecem garantia quando o modelo encontra novas entradas. Ele acrescentou que simplesmente limitar os valores a tetos arbitrários pode impedir que o modelo aprenda características complexas a partir dos dados.
O briefing
A semana em tecnologia, em um só e-mail.
As reportagens que valem o seu tempo, toda semana. Cancele quando quiser.
