Истражувачи од Факултетот за инженерство и применети науки при Универзитетот во Пенсилванија претставија нов пристап со вештачка интелигенција за решавање на таканаречените инверзни парцијални диференцијални равенки, проблем што долго време се смета за еден од потешките во применетата математика. Наместо да се потпираат само на помоќен хардвер, тимот се насочил кон подобрување на самата математичка постапка.
Парцијалните диференцијални равенки се користат за опишување на појави што се менуваат и во простор и во време, како временски системи, пренос на топлина, движење на течности и сложени биолошки процеси. Инверзните верзии на овие равенки одат чекор понатаму: од набљудуваните последици се обидуваат да ги откријат скриените причини што ги создаваат.
Токму таму настанува главната тешкотија. Вообичаените ВИ методи ги пресметуваат потребните изводи рекурзивно, што кај сложени и шумни податоци лесно доведува до нестабилност и големи пресметковни трошоци. Според авторите, со секој дополнителен чекор се засилуваат неправилностите во сигналот, а резултатот станува помалку доверлив.
Новото решение се нарекува „mollifier layers“ и се темели на математички концепт за измазнување на нерамни функции, воведен уште во 1940-тите. Со вградување на ваков слој во моделот, податоците најпрво се измазнуваат, а дури потоа се пресметуваат промените. На тој начин се намалуваат шумот и нестабилноста, а воедно се намалува и потребната пресметковна моќ.
Истражувачите наведуваат дека методот може да биде особено корисен во генетиката и клеточната биологија. Една од целите е подобро разбирање на хроматинот, односно начинот на кој ДНК е организирана во клеточното јадро. Токму таа организација е поврзана со активирањето и исклучувањето на гените, што има важна улога во стареењето, развојот и болестите, вклучувајќи и рак.
Ако ваквите модели можат посигурно да ги проценуваат стапките на епигенетските реакции, научниците би можеле не само да набљудуваат како се менува хроматинот, туку и да предвидуваат како ќе се одвиваат тие промени со текот на времето. Тоа отвора можност за подобро разбирање на клеточната судбина и, на подолг рок, за развој на нови терапевтски стратегии.
Потенцијалната примена не завршува со биологијата. Авторите сметаат дека истиот пристап може да помогне и во истражување на материјали, динамика на флуиди и други области во кои научниците работат со сложени равенки и несовршени податоци. Студијата е објавена во списанието Transactions on Machine Learning Research, а ќе биде претставена и на конференцијата NeurIPS 2026.
