Caltech 团队 RNO 神经算子提前两年预测临界点,误差仅约 11 天
AnimaAnandkumar · x · 2026-10-16
Anima Anandkumar(Caltech)团队在 PNAS 发表新论文,用循环神经算子(Recurrent Neural Operator, RNO)预测系统临界点(tipping points)。
- 方法:RNO 追踪系统状态的历史变化,输出未来发生临界点的概率及大致时间,解决临界点「突然出现、事前难测」的难题。临界点研究此前多见于气候建模(如 UN Science Board 简报)。
- 结果:在模拟数据上,RNO 比预期临界点提前两年以上做出预测,时间误差约 11 天;图中显示模型从物理损失仍平稳的早期就捕捉到失稳前兆。
- 扩展验证:还成功预测了倾斜机翼上气流的失速临界点,表明该方法有望用于未来航空航太设计。
论文与 Caltech 新闻稿均已公开。
「研究」频道最新
- NVIDIA NVFP4 新压缩技巧:利用行内尺度相近性省 45-48% 存储且位精确 — TheZachMueller · 2026-10-16
- Goodfire Cammarata 长文:神经网络本就干净,可解释性前景远超预期 — BorisMPower · 2026-10-16
- 拿 Jev 等「决策模型」跑电车难题:它选择不拉杆以保住自己的服务器 — dbreunig · 2026-10-16
- OpenAI 推出 Rosalind Academic 计划,美国高校实验室可获赞助使用 — OpenAI · 2026-10-16
- 从激活图谱到今日特征可视化:神经元可解释性肉眼可见地跃升 — MajmudarAdam · 2026-10-16
- 可解释性研究者激辩：模型可达 99% 可解释的说法靠不靠谱 — livgorton · 2026-10-16