Переводчик учится не по словарю, а по речам. Он слушает, как говорят носители, и улавливает правила, которые не записаны ни в одном учебнике. Так и новый метод прогнозирования сложных систем, таких как климат или турбулентность, не требует знать их уравнения. Вместо этого он смотрит на данные и учится предсказывать их поведение.

Раньше, чтобы предсказать поведение системы, нужно было подобрать модель, то есть угадать её уравнение. Это как пытаться описать речь человека, зная только грамматику, но не слова. Новый подход работает иначе: он строит прогноз прямо по временному ряду, как переводчик, который учится на живых разговорах. Метод не восстанавливает уравнение, а сразу оценивает, как меняется распределение вероятности состояний системы.

На практике это выглядит так. По временному ряду строят матрицу переходов между значениями базисных функций на соседних шагах. Затем эту матрицу используют, чтобы эволюционировать коэффициенты начальной плотности. Всё это работает при любом шаге дискретизации и не требует знания векторного поля или тензора диффузии.

На модели Лоренца, известной своим хаотическим поведением, диффузионный прогноз показал значительное улучшение по сравнению с локально-линейными методами. При шаге 0.1 итеративный локальный прогноз накапливал смещение и завышал дисперсию. Диффузионный прогноз оставался согласованным с эталоном, полученным усреднением 50 000 траекторий.

На реальных данных индекса Эль-Ниньо 3.4 прогноз на 14 месяцев достиг корреляции 0.64 и RMSE 0.60. Это лучше ранее опубликованного результата, где корреляция была 0.4, а RMSE 1.4. Такой результат показывает, что метод можно применять для прогноза климатических индексов и оценки неопределённости в хаотических системах.

Переводчик, который учится по речам, не знает правил, но понимает смысл. Так и новый метод не знает уравнений, но умеет предсказывать. Он открывает путь к вероятностным прогнозам для систем с неизвестной динамикой.