Penyelidik di Makmal Sains Komputer dan Kecerdasan Buatan (CSAIL) MIT telah mencipta satu model kecerdasan buatan baharu yang diilhamkan oleh osilasi neural dalam otak, bertujuan untuk meningkatkan secara besar-besaran cara algoritma pembelajaran mesin memproses urutan data yang panjang. Sistem AI sering menghadapi cabaran dalam menganalisis maklumat kompleks yang berkembang dalam jangka masa yang panjang—seperti pola iklim, isyarat biologi, atau set data kewangan. Satu kelas model AI yang dipanggil "model ruang keadaan" telah dibangunkan untuk lebih baik menangkap corak berurutan ini. Walau bagaimanapun, model ruang keadaan yang sedia ada sering menghadapi masalah seperti ketidakstabilan atau keperluan tenaga pengiraan yang tinggi apabila berdepan dengan urutan yang panjang. Untuk mengatasi batasan ini, penyelidik CSAIL, T. Konstantin Rusch dan Daniela Rus, memperkenalkan “model ruang keadaan osilatori linear” (LinOSS), yang menggunakan prinsip-prinsip osilator harmonik paksa—sebuah konsep fizik yang juga muncul dalam rangkaian neural biologi. Kaedah ini memastikan ramalan yang stabil, ekspresif, dan cekap dari segi pengiraan tanpa membebankan parameter model secara berlebihan. "Matlamat kami adalah untuk meniru kestabilan dan kecekapan yang terlihat dalam sistem neural biologi dalam kerangka pembelajaran mesin, " kata Rusch.

"LinOSS membolehkan kami belajar ketergantungan jarak jauh secara boleh dipercayai, walaupun dalam urutan yang terdiri daripada ratusan ribu titik atau lebih. " Apa yang membezakan LinOSS ialah kemampuannya untuk mengekalkan ramalan yang stabil sambil menuntut kriteria reka bentuk yang jauh lebih tidak ketat berbanding pendekatan sebelum ini. Selain itu, pasukan ini secara matematik menunjukkan sifat pendekatan universal model ini, memastikan ia mampu menghampiri sebarang hubungan berkekalan dan kausal antara input dan output. Ujian menunjukkan bahawa LinOSS secara konsisten mengatasi model-model terkemuka dalam pelbagai ujian pengelasan dan ramalan urutan yang mencabar. Yang lebih mengagumkan, LinOSS mencapai hampir dua kali ganda prestasi model Mamba yang digunakan secara meluas dalam tugasan urutan yang sangat panjang. Mengakui kepentingannya, penyelidikan ini dipilih untuk pembentangan lisan di ICLR 2025—satu penghormatan yang diperuntukkan hanya untuk 1 peratus penghantaran terbaik. Pasukan MIT menjangkakan LinOSS akan memberi impak besar dalam bidang yang memerlukan ramalan dan pengelasan jangka panjang yang tepat dan cekap, seperti analisis kesihatan, sains iklim, kenderaan autonomi, dan ramalan kewangan. "Kerja ini menunjukkan bagaimana ketelitian matematik dapat mendorong kemajuan dan aplikasi dunia nyata yang luas, " kata Rus. "Dengan LinOSS, kami menawarkan komuniti saintifik satu alat yang berkuasa untuk memahami dan meramalkan sistem yang kompleks, secara berkesan menghubungkan inspirasi biologi dan inovasi pengiraan. "