Нейросеть предсказывает будущее динамической системы — например, эволюцию плазмы в магнитном поле или изменение лица на видео. Ошибки неизбежны, и чем дальше модель заглядывает вперёд, тем больше их накапливается. Свериться с правильным ответом в момент работы невозможно: его просто не существует.
Авторы новой работы нашли простой, как всё гениальное, трюк: обучить одну модель двигаться и вперёд, и назад по времени. Модель получает флажок направления — «вперёд» или «назад» — и делает шаг. А теперь главное: если сделать i шагов вперёд, а потом i шагов назад, модель должна вернуться в исходное состояние. Любое отклонение — это и есть оценка накопленной ошибки. Никаких дополнительных данных, ансамблей из десятков моделей или знания уравнений физики не нужно.
Метод проверили на трёх совершенно разных задачах: сжимаемая магнитная гидродинамика (это плазма, которая ведёт себя как жидкость в магнитном поле), астрофизический слой турбулентного перемешивания и обычные видео с лицами людей. Во всех случаях сигнал обратного прохода точно предсказывал реальную ошибку. Например, на данных магнитной гидродинамики ранговая корреляция Спирмена между предсказанной и настоящей ошибкой достигала 0.91–0.98 на фиксированной глубине. А простой калибратор, обученный всего на одной траектории, предсказывал величину ошибки с точностью до 1.14 раза в 68% случаев.
Такой подход превращает обратимость из абстрактного математического свойства в практический инструмент доверия к генеративным моделям. Если система может вернуться назад и проверить себя, мы получаем сигнал о её надёжности — без внешнего контроля, без запасных данных, без сложных ансамблей. Это как переводчик, который переводит фразу на другой язык, а потом обратно — и смотрит, совпало ли с оригиналом. Просто, элегантно и удивительно эффективно.
На одном из тестов — турбулентном вихре Орзага–Танга — метод обнаружил выход за пределы обучающих данных с почти идеальной точностью (AUROC 0.98), причём к десятому шагу глубже сигнал становился безошибочным.
В фильме «Довод» герои двигались назад во времени, чтобы исправить ошибки прошлого — здесь модель делает то же самое, но в мире данных, и это помогает ей не ошибаться в будущем.