Что произошло
Группа из Лаборатории информационных и решающих систем (LIDS) при MIT разработала способ не давать моделям машинного обучения, описывающим хаотические системы, включая погоду, климат и турбулентные потоки, выдавать физически невозможные прогнозы, сообщает MIT News. Статья опубликована в журнале Proceedings of the National Academy of Sciences; её авторы — аспирант Sunbochen Tang и профессора Navid Azizan и Themistoklis Sapsis.
В рамках метода модель обучается одновременно функции, подобной энергии, и границе, призванной удерживать её хаотическое поведение. Добавленный проекционный слой накладывает диссипацию энергии как жёсткое ограничение: за этой границей энергоподобная величина обязана убывать, и симуляция возвращается внутрь. По словам команды, это даёт теоретическую гарантию того, что предсказания остаются ограниченными на горизонтах прогноза любой длины.
В тестах на известных физических системах, от простых учебных примеров до сложных многомерных, предложенный подход близко следовал истинным результатам, тогда как традиционные методы быстро расходились с ними. Вместе со статьёй доступен открытый исходный код. Азизан сказал, что слой не привязан к конкретной модели. Танг сообщил, что дальше команда планирует испытать его на моделях реальной погоды, обученных на данных. Последующая работа участников команды получила награду за лучшую статью на конференции Learning for Dynamics and Control в этом году.
Контекст
Хаотические системы крайне чувствительны к начальным условиям, и небольшие ошибки в обученных моделях могут накапливаться, пока выходные значения не начнут неограниченно расти. Танг сказал, что прежние решения опирались на штрафы или поощрения в ходе обучения, которые не дают никаких гарантий, когда модель сталкивается с новыми входными данными. Он добавил, что простое ограничение значений произвольными пределами может помешать модели выявлять в данных сложные закономерности.
Обзор
Неделя в технологиях в одном письме.
Материалы, которые стоят вашего времени, каждую неделю. Отписаться можно в любой момент.
