MIT entwickelt KI-Methode, die chaotische Systeme innerhalb der Physik hält

Wetter, Turbulenz oder jedes chaotische System vorherzusagen, ist eine bekannte Herausforderung: Kleine Fehler am Anfang häufen sich an, und mit der Zeit kann die Simulation Werte erzeugen, die in der Realität niemals vorkommen würden. Jetzt haben Forscher des MIT eine Methode vorgestellt, die dieses Problem mit einer formalen Garantie löst: Das Modell mag sich in Details irren, doch seine Vorhersagen verlassen nie die Grenzen des physikalisch Möglichen. Die Arbeit wurde vom MIT am Donnerstag (20.11.) bekannt gegeben und in der Zeitschrift Proceedings of the National Academy of Sciences (PNAS) veröffentlicht.

Das Team des Laboratory for Information and Decision Systems (LIDS) — Doktorand Sunbochen Tang und die Professoren Navid Azizan und Themistoklis Sapsis — ging von einer einfachen Beobachtung aus: „Chaos bedeutet nicht, dass alles passieren kann", wie Azizan sagt. In der Natur bleiben chaotische Systeme begrenzt: Energie wird dissipiert und die Trajektorien bleiben in einer Region enthalten, dem sogenannten Attraktor. Das Problem ist, dass Modelle des maschinellen Lernens diese Grenze von sich aus nicht einhalten.

Eine harte Bedingung, kein Anreiz

Die Lösung lernt zwei Dinge gleichzeitig: einen Emulator der Systemdynamik und eine energieähnliche Funktion, die die Grenze definiert, innerhalb derer das chaotische Verhalten bleiben soll. Eine Projektionsschicht erzwingt dann die Energiedissipation als harte Bedingung — außerhalb der gelernten Grenze muss die energieähnliche Größe abnehmen und die Trajektorie in die begrenzte Region zurückziehen. So bewahrt das Modell das Chaos, aber ohne das unkontrollierte Verhalten, das das reale System nicht hat.

Der Unterschied zu früheren Versuchen liegt genau in dieser Starrheit. Bisher verhängten Methoden meist Strafen oder Anreize während des Trainings, in der Hoffnung, dass das Modell die Grenzen einhält — doch nichts garantierte, dass es sie bei neuen Daten weiterhin einhalten würde. Eine andere Lösung, eine willkürliche Obergrenze zu setzen (etwa die Temperatur auf 100 Grad zu begrenzen), könnte das Modell daran hindern, echte Eigenschaften des Systems zu lernen. „Unser Ansatz gibt dem Modell Raum, komplexe Dynamik zu lernen, und garantiert gleichzeitig, dass seine Trajektorien begrenzt bleiben", fasst Tang zusammen. Dem MIT zufolge ist es die erste Arbeit, die formale Garantien dieser Art für Modelle des maschinellen Lernens von Chaos aufstellt.

Tests und Grenzen des Ergebnisses

Das MIT-Team testete die Methode an bekannten Systemen, von einfachen bis zu mehrdimensionalen, darunter das Lorenz-96-Modell und eine reduzierte Version der Kuramoto–Sivashinsky-Gleichung. In den Tests reproduzierte der Ansatz die Langzeitstatistiken der realen Systeme, während herkömmliche Methoden bald zu unmöglichen Vorhersagen abdrifteten. Artikel und Quellcode sind offen verfügbar.

Wichtig ist zu verstehen, was die Garantie abdeckt: Es geht darum, Vorhersagen langfristig begrenzt und statistisch zuverlässig zu halten — nicht darum, jeden einzelnen Punkt der fernen Zukunft exakt zu treffen, was bei chaotischen Systemen definitionsgemäß unmöglich bleibt. Mögliche Anwendungen reichen von Wetter- und Klimavorhersagen über industrielle Prozesse bis zu Luftfahrt und Hydrologie. Als Nächstes will das MIT-Team die Methode an datengetriebenen Modellen realistischer Wettersysteme testen. Eine Folgearbeit desselben Teams gewann den Best-Paper-Award auf der diesjährigen Konferenz Learning for Dynamics and Control.

In derselben Woche berichtete Geekiki auch über das Update zum KI-gestützten Navier-Stokes-Beweis.

Bildnachweis: Der Lorenz-Attraktor, reproduziert von einem Machine-Learning-Modell (in Violett) innerhalb einer gelernten begrenzten Region (blauer Ring). Mit freundlicher Genehmigung von Sunbochen Tang, via MIT News.

Quellen: MIT News; PNAS; Unite.AI

Transparenz: Dieser Artikel wurde mit Unterstützung künstlicher Intelligenz erstellt, auf Grundlage der Auswertung öffentlicher Beiträge und Internetquellen, und redaktionell geprüft. Bitte konsultieren Sie die Originalquellen, um die Angaben zu überprüfen.

Von Muse