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.

Раньше 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.

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.