المترجم في المؤتمر يسمع ضجيج القاعة لكنه يواصل الترجمة. إنه لا يكرر كل كلمة، بل يجد لغةً وسيطة تصبح فيها العبارات المعقدة بسيطة دون أن يضيع المعنى. هكذا تعمل شبكة كوبمان الغاوسية الشرطية: فهي تعلّم الشبكة العصبية ترجمة النظام الفوضوي إلى صيغة يصبح فيها التنبؤ ودمج البيانات سريعين ودقيقين.
قبل هذا العمل، كان العلماء إما يتنبأون بالفوضى باستخدام الشبكات العصبية العميقة، أو يدمجون المشاهدات تحليليًا، لكن ليس في الوقت نفسه. كانت النماذج العميقة صناديق سوداء: لدمج المشاهدات فيها، كان لا بد من تشغيل آلاف النسخ من النموذج ومتوسط النتائج، مما يراكم أخطاء العينات. يقترح المؤلفون طريقًا آخر: يبنون شبكة عصبية تجد بنفسها لغةً وسيطة تصبح فيها المتغيرات الكامنة خطية إذا كانت المتغيرات المرصودة معروفة. عندها تُكتب معادلات مغلقة لمتوسط وحالة التباين المشترك، ويتحول دمج البيانات إلى حساب عادي وليس إلى مجموعة إحصائية مكلفة.
اختُبر النموذج على ثلاثة أنظمة تكون فيها الفوضى قوية بشكل خاص. بالنسبة لمعادلة بورغرز–سيشينسكي، التي تصف عدم استقرار جبهة اللهب، بلغ خطأ التنبؤ 0.284 مقابل 0.246 للنموذج الحقيقي. في نظام لورنز-96 ذي 40 متغيرًا، انخفض خطأ التنبؤ إلى 0.064 بينما أعطت شبكة كوبمان القياسية 0.306. وبالنسبة للنينيو، تنبأ النموذج بدرجة حرارة سطح المحيط بارتباط أعلى من 0.5 في أفق 12 شهرًا، متجاوزًا التنبؤ الثابت.
المترجم الذي تعلّم لهجة الفوضى لا يسمع ضجيج القاعة فحسب، بل يدمجه فورًا في الترجمة. إنه لا يترجم كل شيء حرفيًا، بل يجد لغةً وسيطة تصبح فيها العبارات المعقدة بسيطة. في هذه اللغة، تخضع المتغيرات الكامنة لمعادلات خطية إذا كانت المتغيرات المرصودة معروفة، وعندها يصبح دمج البيانات تحليليًا. هذا النهج قد يسرّع النماذج المناخية، والتنبؤات الجيوفيزيائية، ومهام التحكم التي تحتاج إلى تقديرات سريعة للحالات الكامنة من بيانات غير كاملة.
معادلة بورغرز–سيشينسكي المستخدمة في الاختبارات لا تصف الاضطراب فحسب، بل أيضًا عدم استقرار جبهة اللهب، ونسختها العشوائية تولّد أحداثًا متطرفة تشبه هبات مفاجئة في التدفق المضطرب.