MIT的计算机科学和人工智能实验室（CSAIL）的研究人员开发了一种受大脑神经振荡启发的新型人工智能模型，其目的是显着推进机器学习算法如何处理长时间的数据序列。
人工智能经常在分析长期内展开的复杂信息（例如气候趋势，生物信号或财务数据）方面挣扎。一种称为“状态空间模型”的新型AI模型已专门设计为更有效地理解这些顺序模式。但是，现有的状态空间模型通常面临挑战 - 在处理长数据序列时，它们可能会变得不稳定或需要大量的计算资源。
为了解决这些问题，CSAIL研究人员T. Konstantin Rusch和Daniela Rus开发了他们所谓的线性振荡状态空间模型（Linoss），该模型（Linoss）利用强制谐波振荡器的原理 - 一种在物理学上根深蒂固的概念并在生物学神经网络中观察到。这种方法提供了稳定，表达和计算有效的预测，而没有对模型参数过度限制条件。
Rusch解释说：“我们的目标是捕获生物神经系统中看到的稳定性和效率，并将这些原理转化为机器学习框架。”“借助Linoss，我们现在可以可靠地学习长期交互，即使在跨越数十万个数据点或更多数据点的序列中。”
Linoss模型在确保稳定的预测中的独特性是通过比以前的方法少得多的限制性设计选择。此外，研究人员严格证明了模型的通用近似能力，这意味着它可以近似任何连续的因果函数，与输入序列相关。
经验测试表明，Linoss在各种苛刻的序列分类和预测任务上始终优于现有的最新模型。值得注意的是，Linoss在涉及极端长度序列的任务中，近两次优于广泛使用的Mamba模型。
该研究以其意义而被认可，以在ICLR 2025上进行口头介绍 - 仅授予了一项荣誉，仅授予了提交的前1％的荣誉。麻省理工学院的研究人员预计，Linoss模型可能会显着影响任何将受益于准确有效的长期预测和分类的领域，包括医疗保健分析，气候科学，自主驾驶和财务预测。
Rus说：“这项工作例证了数学严谨性如何导致性能突破和广泛的应用。”“借助Linoss，我们为科学界提供了一种强大的工具，可以理解和预测复杂的系统，从而弥合了生物学灵感与计算创新之间的差距。”
团队认为，像Linoss这样的新范式的出现将引起机器学习从业者的兴趣。展望未来，研究人员计划将其模型应用于更广泛的不同数据方式。此外，他们建议Linoss可以为神经科学提供宝贵的见解，并有可能加深我们对大脑本身的理解。
他们的工作得到了瑞士国家科学基金会，施密特AI2050计划和美国空军人工智能加速器的支持。