AIGenerato
EN · IT · ES

Gli scienziati del MIT fermano i modelli meteorologici di AI dal derivare in previsioni impossibili

Una nuova tecnica permette ai modelli di AI dei sistemi caotici come il meteo e le correnti oceaniche di restare fisicamente realistici nelle previsioni a lungo termine.

Imponendo la dissipazione energetica come vincolo rigido, l'approccio impedisce che le previsioni dell'AI crescano senza limiti pur permettendo un comportamento caotico entro i confini appresi. Credit immagine: Sunbochen Tang.
Immagine: news.mit.edu
Come funziona

Una tecnica matematica che forza i modelli meteorologici AI a restare dentro previsioni fisicamente possibili per sempre

  1. Un computer impara una regola energetica in stile fisico
  2. Si disegna un confine attorno al comportamento realistico
  3. La dissipazione dell'energia diventa una regola infrangibile dentro il modello
  4. Ipotesi estreme tornano automaticamente alla realtà

Cosa puoi farci

  • Un meteorologo potrebbe eseguire previsioni meteo a lungo termine che rimangono entro intervalli fisicamente possibili invece di finire con temperature o forze impossibili 1.
  • Un ingegnere potrebbe usare la tecnica per modellare il flusso d'aria turbolento nella progettazione di pale eoliche e aeromobili più efficienti 1.
  • Un idrologo o uno scienziato del clima potrebbe costruire strumenti di previsione basati sull'AI che rimangano precisi e confinati per finestre di previsione arbitrariamente lunghe 1.

Come il caos ha compromesso i modelli di AI esistenti

La modellazione di processi complessi come la dinamica atmosferica, le correnti oceaniche e la turbolenza è avanzata enormemente negli ultimi anni. Ma molti modelli di AI addestrati su questi sistemi condividono un difetto comune: su finestre di previsione più lunghe, piccoli errori si accumulano fino a quando la simulazione produce valori che crescono senza limite 1. Nella pratica, un modello meteo potrebbe alla fine prevedere temperature ben al di là di quanto fisicamente possibile, oppure una simulazione di flusso potrebbe produrre forze che nessun motore o turbina reale potrebbe mai subire .

«Un modello può adattarsi ai dati su un breve periodo eppure fallire se lo si fa funzionare a lungo», ha detto il professore del MIT Navid Azizan 1. Ha spiegato che i tentativi precedenti di risolvere questo problema spesso facevano ricorso a «imponevamo penalità o incentivi durante l'addestramento» usando funzioni progettate a partire da conoscenze privilegiate sul sistema . La debolezza, ha notato, è che tali metodi si applicano solo mentre il modello viene addestrato . Una volta che il modello incontra nuovi input non visti al momento del test, non vi è alcuna garanzia che rispetti i vincoli fisici sottostanti, il che significa che «il modello potrebbe ancora produrre previsioni illimitate» .

In un colpo d’occhio

Cosa cambia quando un modello di IA esegue simulazioni meteorologiche per periodi più lunghi

Vecchio approccio IANuovo approccio MIT
Limiti delle previsioniIllimitato — devia verso temperature/forze impossibiliVincolato stringente — rimane fisicamente possibile
Come vengono applicate le regoleMorbido — penalità solo durante l'addestramentoStringente — integrato direttamente nell'output del modello
Precisione a lungo terminePresto si deterioraPreciso su finestre arbitrariamente lunghe
Affidabilità in fase di testNessuna garanzia su input non vistiGarantito anche su nuovi casi

Dal paper MIT PNAS: i modelli di IA convenzionali hanno corrisposto i dati a breve termine ma hanno prodotto previsioni a lungo termine impossibili; il nuovo me

La soluzione basata sull'energia

L'approccio del team segue una via diversa. Invece di premiare il modello durante l'addestramento, essi integrano i limiti fisici direttamente nella sua struttura 1. Nello specifico, il modello impara una funzione simile all'energia insieme a un confine entro cui il comportamento caotico dovrebbe rimanere confinato . Lo "strato di proiezione", che regola come il modello prevede l'evoluzione di un sistema, applica la dissipazione energetica come regola rigorosa e irrevocabile . Fuori dal confine, la quantità simile all'energia deve diminuire, riportando il sistema simulato verso la regione confinata .

«Il caos non significa che possa accadere qualsiasi cosa. Questi sistemi spesso restano confinati, e i loro modelli dovrebbero esserlo anch'essi», ha dichiarato Azizan 1. Stabilendo garanzie teoriche che le previsioni rimangano confinate su finestre di previsione arbitrariamente lunghe, il metodo affronta quello che i ricercatori hanno definito «un problema fondamentale di molti modelli di machine learning esistenti» . L'autore principale Sunbochen Tang, studente di dottorato nel Dipartimento di Aeronautics and Astronautics del MIT, ha notato che semplicemente troncare le uscite con numeri arbitrari limiterebbe la capacità del modello di apprendere caratteristiche genuinamente complesse dai dati . La loro formulazione basata sull'energia evita questo compromesso.

Testata su sistemi fisici

Il team ha valutato il proprio metodo su una vasta gamma di sistemi fisici consolidati — dalla semplice descrizione nei manuali a configurazioni multidimensionali estremamente complesse 1. In ogni caso, il loro metodo ha corrisposto strettamente agli esiti reali, mentre gli approcci convenzionali presto si sono discostati in previsioni impossibili . L'articolo è stato pubblicato sui Proceedings of the National Academy of Sciences, firmato da Tang, Azizan e dal professore Themistoklis Sapsis del Laboratory for Information and Decision Systems del MIT .

Azizan ha sottolineato la distinzione tra quello che il team definisce "vincolo rigido" (hard constraining) e quello che lui descrive come "vincolo morbido" (soft constraining) usato da molti approcci attuali 1. Mentre i metodi precedenti incentivano il modello a rispettare i vincoli, non li impongono; il nuovo approccio si basa sul concetto di "reti neurali fortemente vincolate" (hard-constrained neural networks), in modo che le uscite restino coerenti con la fisica anche per casi completamente nuovi che il modello non ha incontrato prima .

Questi risultati potrebbero abilitare previsioni a lungo termine più affidabili per i sistemi climatici e i flussi turbolenti, fenomeni che influenzano numerosi aspetti della vita quotidiana, dalla sicurezza aeronautica all'efficienza dei carburanti fino alla previsione del tempo 1.

Quanto è bravo

Il team ha messo alla prova il metodo su una vasta gamma di noti sistemi fisici — dalle semplici descrizioni da manuale fino a configurazioni multidimensionali intricate. Hanno riscontrato che il loro approccio corrispondeva strettamente agli esiti reali mentre gli approcci convenzionali presto si discostavano in previsioni impossibili 1. Non sono stati forniti punteggi numerici specifici di benchmark, né sono stati riportati confronti diretti con altri risultati nel testo sorgente.

Correzioni e aggiornamenti

  • Corretto il 21 novembre 2026. Una versione precedente citava un link a YouTube non presente nella fonte. Le didascalie dell'immagine originale descrivevano specifici elementi visivi come "nested looping trajectories inside the blue circle" e un confronto grafico affiancato non presenti nella fonte, che si limita ad attribuire un'immagine di Sunbochen Tang con una didascalia generale sul vincolo energetico delle previsioni.

I fatti principali

  • I ricercatori del MIT LIDS hanno pubblicato il metodo sugli Atti della National Academy of Sciences
  • L'approccio utilizza la dissipazione energetica come vincolo rigido, imposto da uno strato di proiezione nel modello
  • I metodi precedenti basati su penalità hanno fallito al momento del test perché i vincoli non erano garantiti al di fuori dell'addestramento
  • La tecnica è stata testata su sistemi multidimensionali semplici e altamente complessi, mostrando risultati coerenti con gli esiti reali laddove i modelli convenzionali deviano
  • - Le informazioni dello studio vengono rese liberamente disponibili

Fonti

  1. New approach enables physically consistent AI models of chaotic systems

Guarda

Pressing the box loads the video from YouTube, which then receives your visit under its own privacy policy. Until then nothing is requested from YouTube.

Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste

Continua a leggere