Neues Modell MSR-HINE verbessert Langzeitvorhersagen chaotischer Systeme drastisch

Die Vorhersage von chaotischen dynamischen Systemen über lange Zeiträume bleibt ein zentrales Problem in der Wissenschaft, weil kleine Fehler in einzelnen Schritten sich schnell vergrößern und die physikalische Konsistenz der Simulationen zerstören. Ein neues Verfahren namens MSR-HINE (Multi‑Rate Sparse Hierarchical Implicit Forecaster) löst dieses Problem, indem es mehrere Zeitskalen gleichzeitig berücksichtigt und die Vorhersage stabilisiert.

MSR-HINE kombiniert hierarchische latente Prioritäten mit mehrstufigen rekurrenten Modulen, die jeweils auf unterschiedlichen Zeitintervallen arbeiten. In jedem Schritt erzeugen die rekurrenten Zustände von grob nach fein ein latentes Prior, das dann von einem impliziten Ein‑Schritt‑Prädiktor verfeinert wird. Durch eine geschaltete Fusion mit posterioren Latenten wird sichergestellt, dass die Updates über alle Skalen hinweg konsistent bleiben. Zusätzlich korrigiert ein leichtgewichtiges Hidden‑State‑Modul die rekurrenten Erinnerungen, sodass sie mit den gefusionierten Latenten übereinstimmen.

Die Ergebnisse sind beeindruckend: Auf dem Kuramoto‑Sivashinsky‑Benchmark reduziert MSR-HINE die End‑Horizon‑RMSE um 62,8 % bei einer Vorhersagehorizontlänge von 400 Schritten und verbessert die Accuracy‑Correlation‑Coefficient (ACC) von –0,155 auf 0,828. Dadurch wird die Vorhersagehorizontlänge, bei der ACC ≥ 0,5 erreicht, von 241 auf 400 Schritte verlängert. Beim Lorenz‑96‑Benchmark erzielt das Modell eine RMSE‑Reduktion von 27 % bei H = 100 und steigert den ACC von 0,144 auf 0,545, was die ACC ≥ 0,5‑Horizontlänge von 58 auf 100 Schritte erweitert.

MSR-HINE demonstriert damit, dass eine Kombination aus multiscale latenten Priors, multi‑rate rekurrenten Modulen und einer geschickten Fusion die langfristige Stabilität und Genauigkeit von Vorhersagen in chaotischen Systemen deutlich verbessern kann. Diese Fortschritte eröffnen neue Möglichkeiten für die Simulation komplexer physikalischer Prozesse und die Planung langfristiger Strategien in Bereichen wie Wettervorhersage, Klimaforschung und Ingenieurwissenschaften.