<p>A modelagem de processos complexos e caóticos, como padrões climáticos e meteorológicos e fluxos turbulentos na aviação ou em correntes oceânicas, avançou enormemente nos últimos anos. No entanto, tais modelos ainda estão propensos a gerar previsões fisicamente impossíveis ao longo do tempo.</p><p>Agora, pesquisadores do Laboratory for Information and Decision Systems (LIDS) do MIT encontraram uma maneira de introduzir restrições baseadas na física em modelos de machine learning que podem garantir que tais modelos nunca excedam limites realistas, baseados no que é realmente possível no mundo real. Esta nova abordagem, utilizando informações que estão sendo disponibilizadas gratuitamente pela equipe, poderia melhorar significativamente a utilidade e a confiabilidade de tais modelos, que além do clima e do tempo são também utilizados numa vasta gama de processos industriais, aeronáutica e hidrologia.</p><p>As novas descobertas foram <a href="https://www.pnas.org/doi/10.1073/pnas.2533077123">publicadas</a> na <em>Proceedings of the National Academy of Sciences (PNAS)</em> em um artigo do estudante de pós-graduação do MIT Sunbochen Tang e dos professores do MIT Navid Azizan e Themistoklis Sapsis.&nbsp;</p><p>“A falta de garantias para uma resposta limitada sempre foi um grande obstáculo na formulação de modelos baseados em dados para sistemas não lineares complexos”, afirma Sapsis, professor de engenharia mecânica e afiliado do LIDS. A abordagem que a equipe desenvolveu, diz ele, “abre caminho para a aplicação das arquiteturas de machine learning mais avançadas para previsão e controle em uma infinidade de problemas do mundo real, mesmo aqueles caracterizados por instabilidades intrínsecas.”</p><p>O desenvolvimento de modelos confiáveis para sistemas dinâmicos complexos é importante em muitos domínios.&nbsp;Em dinâmica de fluidos, fluxos turbulentos podem interromper viagens aéreas, reduzir a eficiência de turbinas eólicas e afetar a economia de combustível de veículos. Da mesma forma, na previsão do tempo, a natureza caótica da dinâmica atmosférica torna a precisão
Fonte: MIT News - AI
Publicado em 2026-11-20