Research·
باحثو MIT يفرضون قيودًا فيزيائية لتحقيق الاستقرار في نماذج الذكاء الاصطناعي للأنظمة الفوضوية
طريقة جديدة من مختبر MIT لأنظمة المعلومات والقرارات تدمج تبدد الطاقة كقيود صارمة، مما يمنع نماذج الذكاء الاصطناعي للطقس والمناخ والتدفقات المضطربة من الانحراف نحو تنبؤات غير ممكنة فيزيائيًا مع الحفاظ على الديناميكيات الفوضوية.

لطالما شكل نمذجة الأنظمة الفوضوية مثل الديناميكيات الجوية والتيارات المحيطية والتدفقات المضطربة تحديًا للتعلم الآلي. حتى عندما يناسب النموذج بيانات التدريب قصيرة المدى، تتراكم الأخطاء الصغيرة ويمكن أن تدفع التنبؤات إلى ما وراء أي حد فيزيائي، مما يجعل التنبؤات طويلة الأمد غير موثوقة.
قدم باحثو مختبر MIT لأنظمة المعلومات والقرارات (LIDS) إطار عمل يفرض تبدد الطاقة كقيود صارمة أثناء التدريب. من خلال ضمان عدم قدرة الديناميكيات المكتسبة على إنتاج نمو غير محدود، يحافظ النهج على التنبؤات ضمن حدود واقعية مع الاستمرار في التقاط الاعتماد الحساس على الظروف الأولية الذي يحدد الفوضى.
العمل، المنشور في PNAS من قبل الطالب سونبوتشن تانغ والأساتذة نافيد عزيزي وثيميستوكليس سابسيس، يوضح الطريقة على أنظمة السوائل والمناخ القياسية. نظرًا لأن القيود مدمجة في البنية بدلاً من إضافتها كعقوبات ناعمة، تظل النماذج مستقرة على فترات استنتاج طويلة بشكل تعسفي دون التضحية بالقدرة التعبيرية.
لماذا هذا مهم للبنية التحتية للذكاء الاصطناعي / وحدات معالجة الرسوميات
يتطلب تدريب نماذج مقيدة للأنظمة الفوضوية عالية الأبعاد حوسبة واسعة النطاق وعرض نطاق ذاكرة — خاصة عند محاكاة التدفقات المضطربة بدقة عالية. عمليات الاستنتاج المستقرة والمتوافقة فيزيائيًا تقلل الدورات المهدرة على المسارات المتباعدة وتتيح آفاق استنتاج أطول لكل ساعة GPU. لمزودي السحابة مثل AiGpu، هذا يترجم إلى ملفات عمل أكثر قابلية للتنبؤ واستخدام أعلى لمجموعات AI GPU التي تخدم عملاء الطقس والطاقة والفضاء الجوي.
- aigpu
- ai gpu
- ai gpu cloud
- aigpu dubai
- physics-informed ml
- chaotic systems
- climate modeling
- turbulence
بقلم AiGpu Editorial · إعادة صياغة تحريرية استناداً إلى تقارير عامة (MIT News AI)
→ كل المقالات