事件经过
据MIT News报道,麻省理工学院信息与决策系统实验室(LIDS)的一个团队开发出一种方法,可防止针对混沌系统(包括天气、气候和湍流)的机器学习模型给出物理上不可能出现的预测。这篇论文发表于《美国国家科学院院刊》(Proceedings of the National Academy of Sciences),作者为研究生Sunbochen Tang以及教授Navid Azizan和Themistoklis Sapsis。
在这一方法中,模型会同时学习一个类能量函数和一条用来约束其混沌行为的边界。新增的投影层将能量耗散作为硬性约束加以执行,因此一旦越过该边界,类能量量就必须下降,模拟结果也会被拉回边界之内。团队表示,这从理论上保证了无论预测时域多长,预测结果都保持有界。
在对一些著名物理系统的测试中,从简单的教科书式例子到复杂的多维系统,该方法都能紧密跟踪真实结果,而传统方法很快就出现偏离。开源代码已随论文一同发布。Azizan表示,该投影层与具体模型无关。Tang表示,团队下一步计划在真实天气的数据驱动模型上进行尝试。团队成员的一篇后续论文还在今年的Learning for Dynamics and Control会议上获得了最佳论文奖。
背景
混沌系统对初始条件高度敏感,学习模型中的微小误差可能不断累积,直至输出无限增长。Tang表示,此前的解决办法依赖于训练过程中的惩罚或激励机制,一旦模型遇到新的输入,这些办法就无法提供任何保证。他补充说,如果只是把数值限制在任意设定的上限内,又可能导致模型无法从数据中学到复杂的特征。
简报
一封邮件,尽览一周科技要闻。
每周精选值得一读的报道。可随时退订。
