Research·
باحثو MIT يفرضون قيودًا فيزيائية لتحقيق الاستقرار في نماذج الذكاء الاصطناعي للأنظمة الفوضوية
طريقة جديدة من MIT تدمج تبدد الطاقة في الشبكات العصبية، مما يمنع الانجراف غير المحدود في التنبؤات طويلة المدى للطقس، الاضطرابات، والمناخ.

قدم مختبر MIT لأنظمة المعلومات والقرار إطار تدريب يدمج تبدد الطاقة كقيود لا يمكن التفاوض عليها داخل النماذج المستندة إلى البيانات للديناميكيات الفوضوية. من خلال ضمان بقاء المسارات المتنبأ بها ضمن حدود مقبولة فيزيائيًا، تقضي التقنية على النمو الجامح الذي طالما عانت منه الشبكات العصبية البديلة لمحاكاة الطقس، التدفق المضطرب، والمناخ.
النهج، المنشور في PNAS من قبل الطالب سونبوتشن تانغ والأساتذة نافيد عزيزي وثيميستوكليس سابسيس، يغلف دالة الخسارة بشهادة من نمط ليابونوف تفرض المحدودية دون كبح الاعتماد الحساس على الظروف الأولية الذي يميز الفوضى. في اختبارات المعيار على معادلة كوراموتو-سيفينسكي ونموذج جوي مخفض الرتبة، طابقت الشبكات المقيدة دقة الخطوط الأساسية غير المقيدة قصيرة المدى بينما ظلت مستقرة لأفق تكامل أطول بمرتبة من حيث الحجم.
لماذا هذا مهم لبنية GPU / الذكاء الاصطناعي التحتية
يتطلب تدريب ونشر هذه المعماريات المستنيرة فيزيائيًا حوسبة تينسور عالية الإنتاجية وقدرات ذاكرة GPU كبيرة—خاصة عندما تكون الفرق مطلوبة لقياس عدم اليقين. المنصات السحابية التي توفر عناقيد H100 أو بلاكويل حسب الطلب مع ترابط سريع يمكنها تقليل وقت الحل من أسابيع إلى أيام، مما يجعل نمذجة الفوضى المقيدة عملية للمراكز التشغيلية للتنبؤ والتوائم الرقمية الصناعية.
- aigpu
- ai gpu
- ai gpu cloud
- aigpu dubai
- physics-informed ml
- chaotic systems
- climate modeling
- gpu cloud
بقلم AiGpu Editorial · إعادة صياغة تحريرية استناداً إلى تقارير عامة (MIT News AI)
→ كل المقالات