تتنبأ الشبكة العصبية بمستقبل النظام، مثل كيفية دوران البلازما في المجال المغناطيسي أو كيف يتغير الوجه في الفيديو. الأخطاء حتمية، وكلما نظرت أبعد إلى الأمام، زاد تراكمها. التحقق من الإجابة الصحيحة أثناء العمل مستحيل؛ فهي ببساطة غير موجودة.
وجد مؤلفو الدراسة الجديدة حيلة بسيطة ككل شيء عبقري: تدريب نموذج واحد على التحرك للأمام والخلف عبر الزمن. يتلقى النموذج إشارة اتجاه — «أمام» أو «خلف» — ويخطو خطوة. والآن النقطة الأساسية: إذا قمت بـ i خطوة للأمام ثم i خطوة للخلف، يجب أن يعود النموذج إلى الحالة الأصلية. أي انحراف هو تقدير للخطأ المتراكم. لا حاجة لبيانات إضافية، ولا لمجموعات من عشرات النماذج، ولا لمعرفة معادلات الفيزياء.
اختُبرت الطريقة على ثلاث مهام مختلفة تمامًا: الديناميكا المائية المغناطيسية القابلة للضغط (وهي بلازما تتصرف كسائل في مجال مغناطيسي)، وطبقة خلط مضطربة في الفيزياء الفلكية، ومقاطع فيديو عادية لوجوه بشرية. في جميع الحالات، تنبأت إشارة المسار العكسي بدقة بالخطأ الحقيقي. على سبيل المثال، في بيانات الديناميكا المغناطيسية، بلغ ارتباط الرتب لسبيرمان بين الخطأ المتوقع والخطأ الفعلي 0.91–0.98 عند عمق ثابت. كما أن معايرًا بسيطًا، دُرّب على مسار واحد فقط، تنبأ بحجم الخطأ بدقة تصل إلى 1.14 مرة في 68% من الحالات.
يحوّل هذا النهج قابلية الانعكاس من خاصية رياضية مجردة إلى أداة عملية للثقة في النماذج التوليدية. إذا كان النظام قادرًا على العودة والتحقق من نفسه، نحصل على إشارة حول موثوقيته — دون تحكم خارجي، دون بيانات احتياطية، دون مجموعات معقدة. إنه مثل مترجم يترجم جملة إلى لغة أخرى ثم يعيدها، وينظر هل تطابقت مع الأصل. بسيط، أنيق، وفعال بشكل مدهش.
في أحد الاختبارات — الدوامة المضطربة لأورزاغ-تانغ — اكتشف الأسلوب الخروج عن نطاق بيانات التدريب بدقة شبه مثالية (AUROC 0.98)، ومع الخطوة العاشرة أصبحت الإشارة أعمق بلا أخطاء.
في فيلم «تينيت»، تحرك الأبطال إلى الوراء في الزمن لتصحيح أخطاء الماضي — هنا يفعل النموذج الشيء نفسه، لكن في عالم البيانات، وهذا يساعده على عدم ارتكاب الأخطاء في المستقبل.