気象や気候のパターン、航空や海流の乱流など、複雑で混沌としたプロセスのモデリングは、近年大幅に進歩しました。ただし、このようなモデルは依然として、時間の経過とともに物理的に不可能な予測に陥る傾向があります。
今回、MIT 情報意思決定システム研究所 (LIDS) の研究者らは、機械学習モデルに物理ベースの制限を導入する方法を発見しました。これにより、現実世界で実際に可能なことに基づいて、そのようなモデルが現実的な限界を超えないようにすることができます。現在チームによって自由に利用できるようになっている情報を使用するこの新しいアプローチは、そのようなモデルの有用性と信頼性を大幅に向上させる可能性があります。これらのモデルは、気候や気象のほかに、幅広い産業プロセス、航空学、水文学でも使用されています。
この新たな発見は、MIT大学院生のSunbochen Tang氏とMIT教授のNavid Azizan氏とThemistoklis Sapsis氏による論文として米国科学アカデミー紀要(PNAS)に掲載された。
「制限された応答に対する保証の欠如は、複雑な非線形システムのデータ駆動型モデルを定式化する上で常に大きな障害となってきました」と、機械工学の教授であり LIDS 所属のサプシス氏は言います。同チームが開発したアプローチは、「本質的な不安定性を特徴とする問題を含む、現実世界の数多くの問題における予測と制御に最先端の機械学習アーキテクチャを適用する道を開くものである」と述べています。
複雑な動的システムの信頼できるモデルを開発することは、多くの領域にわたって重要です。流体力学では、乱流は空気の移動を妨げ、風力タービンの効率を低下させ、車両の燃費に影響を与える可能性があります。同様に、天気予報でも、大気力学の混沌とした性質により、正確な長期予測が困難になります。
「開始条件のわずかな違いが、混沌としたシステムでは劇的に異なる結果をもたらす可能性があります」とアジザン氏は言う。 「そのため、遠い将来のその行動を予測することは非常に困難になります。」それでも、現実世界で起こり得る変化には常に物理的な制約があります。
「カオスとは、何かが起こる可能性があるという意味ではありません。これらのシステムは制限されたままであることが多く、そのモデルも制限されるべきです。」しかし、これらの境界をモデルにどのように導入するかは難しい問題だと、機械工学科およびデータ・システム・社会研究所のヘイズ准教授であり、LIDS の主任研究員でもあるアジザン氏は言う。
「モデルは短期間ではデータと一致しても、長期間実行すると失敗する可能性があります」と彼は言います。 「シミュレーションで生成される値が際限なく増加するまで、小さな誤差が蓄積される可能性があり」、実際のシステムでは決して起こり得ない予測が生成されます。
「これは、既存の機械学習モデルの多くが持つ根本的な問題です」と彼は言います。 「これはさまざまな分野で頻繁に起こる質問です。柔軟性を維持しながら、物理的に意味のある出力を保証する方法で、これらのモデルに物理的な制約を組み込むにはどうすればよいでしょうか?」
「私たちは、実際のシステムにはない人為的な暴走行為を行わずに混乱を維持したいと考えています」と彼は言います。 「私たちのアプローチは、モデルの軌道が制限されたままであることを保証しながら、複雑なダイナミクスを学習する余地をモデルに与えます。」これは、カオスの機械学習モデルに対するそのような正式な保証を確立した最初の研究です。
このようなモデルによる非現実的な結果を防ぐこれまでの試みは、多くの場合、システムに関する特権情報に基づいて設計された関数を使用し、航空宇宙学および LIDS 学科の博士課程の学生であるタン氏は「トレーニング中にペナルティやインセンティブを課す」ことに基づいていたと述べています。ただし、これらはモデルのトレーニング プロセス中にのみ適用されるため、実際に使用されるときに新しい入力を処理すると、「モデルがテスト時にそのようなインセンティブによって意図された根本的な制約を満たすという保証はありません」。 「このモデルは依然として無制限の予測を生成する可能性があります」と彼は言います。
単純に任意の制限を課すだけでは予測の安定性の問題に対する満足のいく解決策にならない理由を説明するために、Tang 氏は次のように説明しています。「たとえば、温度を 100 度にするなど、物理量に任意の制限を設定することで、予測に上限を設けることができます。これは予測を制限する方法の 1 つですが、データから直接学習する必要がある複雑で自明ではない特徴をモデルが表現できなくなる可能性があります。」
同氏は、「私たちのアプローチの特徴は、エネルギーベースの制約を定式化していることです。モデルにエネルギーのような関数を学習させます」と述べ、現実世界のカオス システムに基づいて、複雑な挙動にもかかわらずエネルギー散逸が軌道を制限するのに役立ちます。 「具体的には、モデルは、そのカオス的な挙動を制限すべき境界とともに、エネルギーに似た関数を学習します。その後、モデルがシステムの進化をどのように予測するかを調整するコンポーネントである投影層を追加して、エネルギー散逸をハード制約として強制します。この境界の外側では、エネルギーに似た量が減少する必要があるため、シミュレートされたシステムは境界領域に向かって描画されます。これにより、モデルの予測が任意の長さの予測ウィンドウにわたって境界を維持する理論的保証を確立できます。」
研究チームは、単純な教科書の事例から非常に複雑な多次元システムに至るまで、さまざまなよく知られた物理システムでアプローチをテストし、従来のアプローチがすぐに不可能な予測に逸脱する一方で、彼らのアプローチが真の結果とほぼ一致していることを発見しました。
アジザン氏は、「私たちのアプローチと既存のアプローチの根本的な違いは、いわゆるハード制約とソフト制約です」と付け加えた。現在のアプローチの多くは「モデルが制約を満たすようにインセンティブを与えようとしますが、それらは厳しい制約として扱われません。私たちのアプローチは、ハード制約のあるニューラルネットワークの概念に基づいています」ため、結果は「たとえモデルが見たことのないまったく新しいケースであっても、常に物理的に一貫しています」。
「AI モデルは、大量のデータが利用できるシナリオで威力を発揮します」とアジザン氏は言います。たとえば、画像やテキストなど、どちらもインターネット上で豊富に入手できる場合です。しかし、「多くの物理システムでは、データはそれほど豊富ではありません」と彼は言います。データが限られているこのようなケースでは、「問題の物理学がもう 1 つの情報源であるため、これらの物理学に制約されたアプローチが非常に役立ちます。」と彼は言います。
新しいアプローチは、あらゆるカオス システムに広く役立ちます。 「これは、さまざまなニューラル ネットワーク アーキテクチャに容易に適用できます」と Tang 氏は言います。彼らは、これまで以上に大規模なシステムでテストを継続する予定です。 「私たちは、これが現実的な気象システムのデータ駆動型モデルでどの程度うまく機能するかを確認しようとしています。」
「投影層はモジュール式です。モデルに依存せず、さまざまなニューラル ネットワーク アーキテクチャと連携できます」とアジザン氏は言います。 「他の研究者や専門家がこれを基にして、より大規模でさらに複雑な問題でテストしてくれることを願っています。」この論文は、オープンソース コードとともに PNAS からオンラインでアクセスできるようになりました。
チームのメンバーによる今年のフォローアップ研究は、Learning for Dynamics and Control カンファレンスで発表されました。この論文は会議の最優秀論文賞を受賞しました。
「信頼できる AI には、モデルが通常機能するという証拠以上のものが必要です」とアジザン氏は言います。 「一か八かのアプリケーションの場合、常に保持しなければならない特性についての保証が必要です。今回の研究では、そのような保証の 1 つである境界性を確立しました。私たちのより広範な目標は、AI モデルのテスト方法だけでなく、原則を AI モデルの構築方法の一部にすることです。」






/2026/11/20/6b00a6923b7e1023553155.jpg)
Leave a Reply