مدلسازی فرآیندهای پیچیده و پر هرج و مرج مانند الگوهای آب و هوا و آب و هوا و جریانهای متلاطم در هوانوردی یا جریانهای اقیانوسی در سالهای اخیر پیشرفت چشمگیری داشته است. با این حال، چنین مدل هایی هنوز هم در طول زمان در معرض پیش بینی های فیزیکی غیرممکن هستند.
اکنون، محققان آزمایشگاه MIT برای سیستمهای اطلاعات و تصمیمگیری (LIDS) راهی برای معرفی محدودیتهای مبتنی بر فیزیک در مدلهای یادگیری ماشین پیدا کردهاند که میتواند تضمین کند که چنین مدلهایی هرگز از مرزهای واقعی فراتر نخواهند رفت، بر اساس آنچه واقعاً در دنیای واقعی ممکن است. این رویکرد جدید، با استفاده از اطلاعاتی که اکنون بهطور رایگان توسط تیم در دسترس است، میتواند سودمندی و قابلیت اطمینان چنین مدلهایی را که علاوه بر آب و هوا و آب و هوا در طیف گستردهای از فرآیندهای صنعتی، هوانوردی و هیدرولوژی نیز استفاده میشوند، بهطور چشمگیری بهبود بخشد.
یافته های جدید در مجموعه مقالات آکادمی ملی علوم (PNAS) در مقاله ای توسط دانشجوی فارغ التحصیل MIT، Sunbochen Tang و اساتید MIT، نوید عزیزان و Themistoklis Sapsis منتشر شده است.
ساپسیس، استاد مهندسی مکانیک و وابسته به LIDS میگوید: «فقدان ضمانتها برای پاسخ محدود همیشه مانع اصلی در فرمولبندی مدلهای مبتنی بر داده برای سیستمهای پیچیده غیرخطی بوده است. او میگوید رویکردی که این تیم ایجاد کرده است، «راه را برای بکارگیری پیشرفتهترین معماریهای یادگیری ماشین برای پیشبینی و کنترل در انبوهی از مشکلات دنیای واقعی، حتی آنهایی که با ناپایداریهای ذاتی مشخص میشوند، هموار میکند».
توسعه مدلهای قابل اعتماد برای سیستمهای دینامیکی پیچیده در بسیاری از حوزهها مهم است. در دینامیک سیالات، جریانهای متلاطم میتوانند سفر هوایی را مختل کنند، کارایی توربینهای بادی را کاهش دهند و بر مصرف سوخت خودروها تأثیر بگذارند. به طور مشابه، در پیشبینی آب و هوا، ماهیت آشفته دینامیک جوی پیشبینی دقیق بلندمدت را دشوار میکند.