Переводчик на конференции слышит шум зала, но продолжает переводить. Он не повторяет каждое слово, а находит промежуточный язык, где сложные фразы становятся простыми, но смысл не теряется. Так работает условная гауссова сеть Купмана: она учит нейросеть переводить хаотическую систему в форму, где прогноз и усвоение данных становятся быстрыми и точными.

До этой работы учёные умели либо предсказывать хаос с помощью глубоких нейросетей, либо усваивать наблюдения аналитически, но не одновременно. Глубокие модели были чёрными ящиками: чтобы вплести в них наблюдения, приходилось запускать тысячи копий модели и усреднять результаты, накапливая ошибки выборки. Авторы предлагают другой путь: они строят нейросеть, которая сама находит промежуточный язык, где скрытые переменные становятся линейными, если известны наблюдаемые. Тогда для среднего и ковариации скрытого состояния выписываются замкнутые уравнения, и усвоение данных превращается в обычный расчёт, а не в дорогой ансамбль.

Модель проверили на трёх системах, где хаос особенно силён. Для уравнения Бюргерса–Сивашинского, которое описывает неустойчивость фронта пламени, ошибка прогноза составила 0.284 против 0.246 у истинной модели. В системе Лоренца-96 с 40 переменными ошибка прогноза упала до 0.064, тогда как стандартная сеть Купмана дала 0.306. Для Эль-Ниньо модель предсказывала температуру поверхности океана с корреляцией выше 0.5 на горизонте 12 месяцев, превосходя персистентный прогноз.

Переводчик, который выучил диалект хаоса, не только слышит шум зала, но и мгновенно вплетает его в перевод. Он не переводит всё слово в слово, а находит промежуточный язык, где сложные фразы становятся простыми. В этом языке скрытые переменные подчиняются линейным уравнениям, если известны наблюдаемые, и тогда усвоение данных становится аналитическим. Такой подход может ускорить климатические модели, геофизические прогнозы и задачи управления, где нужны быстрые оценки скрытых состояний по неполным данным.