Il framework di eigenanalisi rivela le origini della stabilità negli emulatori neurali di dinamiche caotiche

Un recente preprint su arXiv (2608.16084) presenta un framework di eigenanalisi volto a chiarire la crescita degli errori nei modelli autoregressivi neurali che fungono da emulatori per sistemi caotici ad alta dimensionalità. Questa nuova sottomissione affronta i problemi di instabilità a lungo termine e crescita degli errori, che in precedenza erano stati affrontati con soluzioni improvvisate. Esaminando lo Jacobiano della mappa di aggiornamento a un passo appresa rispetto allo stato, i ricercatori rivelano che il raggio spettrale governa la crescita degli errori in fase di inferenza e la stabilità del modello. Osservano che le architetture a passo diretto, che prevedono lo stato successivo basandosi su quello precedente, tipicamente hanno autovalori instabili con magnitudine maggiore di uno, portando a una rapida divergenza. Al contrario, i modelli con vincolo di integrazione, che stimano la derivata temporale e utilizzano un integratore di ordine superiore, confinano il loro spettro di autovalori al cerchio unitario, risultando in una stabilità neutra e in una crescita lineare degli errori costante. Questa prospettiva teorica non solo chiarisce l'efficacia empirica dei metodi con vincolo di integrazione, ma funge anche da strumento diagnostico per valutare e creare emulatori neurali stabili per dinamiche caotiche. Queste intuizioni potrebbero migliorare l'affidabilità delle simulazioni di apprendimento automatico in settori come le previsioni meteorologiche, la modellazione climatica e altri sistemi fisici complessi.