تتنبأ الشبكة العصبية بمستقبل نظام ديناميكي — على سبيل المثال، تطور البلازما في مجال مغناطيسي أو تغير الوجه في فيديو. الأخطاء حتمية، وكلما نظر النموذج إلى الأمام أكثر، 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 في الزمن إلى الأمام وإلى الخلف. يتلقى النموذج إشارة اتجاه — "للأمام" أو "للخلف" — ويقوم بخطوة. والآن الأمر الأساسي: إذا قمنا بخطوات i للأمام ثم خطوات i للخلف، يجب أن يعود النموذج إلى حالته الأصلية. أي انحراف هو تقدير للخطأ المتراكم. لا حاجة لبيانات إضافية، أو مجموعات من عشرات النماذج، أو معرفة المعادلات الفيزيائية.
تم اختبار الطريقة على ثلاث مهام مختلفة تمامًا: الديناميكا المغناطيسية الهيدروديناميكية القابلة للانضغاط (وهي بلازما تتصرف كسائل في مجال مغناطيسي)، والطبقة المضطربة للخلط في الفيزياء الفلكية، وفيديوهات عادية لوجوه بشرية. في جميع الحالات، تنبأ إشارة المرور العكسي بالخطأ الحقيقي بدقة. على سبيل المثال، في بيانات الديناميكا المغناطيسية الهيدروديناميكية، بلغ معامل ارتباط الرتب لسبيرمان سبيرمان بين الخطأ المتوقع والفعلي 0.91–0.98 على عمق ثابت. كما أن معايرًا بسيطًا، تم تدريبه على مسار واحد فقط، تنبأ بحجم الخطأ بدقة تصل إلى 1.14 مرة في 68% من الحالات.
يحول هذا النهج الانعكاسية 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، ويرى ما إذا كانت مطابقة للأصل. بسيط، أنيق، وفعال بشكل مدهش.
في أحد الاختبارات — الدوامة المضطربة لأورزاغ-تانغ — اكتشفت الطريقة الخروج عن نطاق بيانات التدريب بدقة شبه مثالية (AUROC 0.98)، وبحلول الخطوة العاشرة أصبحت الإشارة أعمق وخالية من الأخطاء.
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.