A MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának (CSAIL) kutatói egy új mesterséges intelligencia modellt alkottak, amelyet az agyban zajló ideg-oscillációk ihlettek, és amelynek célja, hogy hatalmas mértékben javítsa a gépi tanulási algoritmusok hosszú adatláncok feldolgozását. Az MI rendszerek gyakran találkoznak kihívásokkal összetett információk elemzése során, amelyek hosszabb időszakokra terjednek ki—például éghajlati minták, biológiai jelek vagy pénzügyi adathalmazok. Egy nemrég kifejlesztett AI-modellek osztálya, az úgynevezett "állapottér modellek" (state-space models), a rendszeres mintázatok jobb megragadását célozza. Azonban a meglévő állapottér-modellek gyakran problémákkal küzdenek, mint például instabilitás vagy a nagy számítási igény hosszú szekvenciák esetén. Ezeket a korlátokat megoldva CSAIL kutatói, T. Konstantin Rusch és Daniela Rus bemutatták a "lineáris oszcilláló állapottér modelleket" (LinOSS), amelyek a kényszerítő harmonikus oszcillátorok alapelveit alkalmazzák—egy fizikából vett fogalmat, amely a biológiai ideghálózatokban is megjelenik. Ez a módszer biztosít stabil, expresszív és számításilag hatékony előrejelzéseket, miközben nem támaszt túl szigorú követelményeket a modell paramétereivel szemben. „Célunk az volt, hogy utánozzuk a biológiai idegrendszer stabilitását és hatékonyságát a gépi tanulás keretein belül” – nyilatkozta Rusch.

„A LinOSS lehetővé teszi, hogy megbízhatóan tanuljunk hosszú távú összefüggéseket, még akkor is, ha a szekvenciák százezres vagy annál is több pontból állnak. ” A LinOSS egyik fő erőssége, hogy képes stabil előrejelzéseket nyújtani, miközben jóval kevésbé szigorú tervezési feltételeket támaszt, mint korábbi módszerek. Emellett a csapat matematikailag bizonyította, hogy a modell univerzális közelítő tulajdonsággal rendelkezik, azaz képes bármilyen folyamatos, ok-okozati kapcsolatot közelítőleg megadni a bemeneti és kimeneti szekvenciák között. A tesztek eredményei szerint a LinOSS folyamatosan felülmúlta a vezető modellek teljesítményét különféle kihívást jelentő szekvenciaosztályozási és előrejelzési mérföldkövek során. Kiemelkedő volt, hogy a LinOSS közel kétszeres eredményt ért el a széles körben használt Mamba modellhez képest különösen hosszú szekvenciák feladatában. Ezt a kutatást kiemelt jelentőségűnek tartva, az anyagot szóbeli prezentációra választották az ICLR 2025 konferencián—egy olyan elismerés, amelyet a benyújtott pályázatok csupán az első 1 százaléka kap meg. A MIT csapata úgy véli, hogy a LinOSS jelentős hatással lesz olyan területeken, ahol pontos, hatékony hosszú távú előrejelzések és osztályozások szükségesek, például az egészségügyi elemzések, az éghajlatkutatás, az autonóm járművek vagy a pénzügyi előrejelzések területén. „Ez a munka rávilágít arra, hogyan hajthatók végre áttörések a matematikai szigor és a gyakorlati alkalmazások összekapcsolásával” – jegyezte meg Rus. „A LinOSS-szel a tudományos közösség előtt áll egy erőteljes eszköz a bonyolult rendszerek megértéséhez és előrejelzéséhez, hatékonyan összekapcsolva a biológiai inspirációt és a számítástechnikai innovációt. ”