在机器学习的两个长期独立发展的领域中——预測多重性与混沌动力学——最近取得了重要突破。来自多所机构的研究团队（Gauri Kale, Rahul Vishwakarma, Holly Diamond, Ava Hedayatipour, Amin Rezaei）提出了一种名为“视界约束Rashomon集”的理论框架，首次将混沌理论中的指数发散与模型多重性的动态演化联系起来。
传统预測任务中，Rashomon集——即性能相近但结构不同的模型集合——通常被视为静态的。然而，在混沌系统中，随着预測时间的延长，初始相似的模型会呈指数级发散，使得传统的多重性概念不再适用。该研究证明，有效Rashomon集的规模随预測时長指数收缩，收缩速率由系统的最大李雅普诺夫指数决定。这一发现为理解混沌预測中模型多样性的本质提供了全新视角。
为了量化这种动态变化，研究者引入了李雅普诺夫加权指标，该指标能更精确地估计模型间预測差异的上界。基于这些理论洞见，他们开发了决策对齐的模型选择算法，该算法不再单纯追求预測精度，而是根据下游决策任务的实际效用从近似最优模型中挑选最合适的模型。
实验在多个混沌系统上展开，包括Lorenz-96、Kuramoto-Sivashinsky等合成系统，以及风电功率预測、交通流量预測和天气预报等真实世界应用。结果显示，与传统方法相比，新框架在保持竞争性预測性能的同时，决策质量提升了18%至34%。
这项工作为在安全关键的混沌领域部署机器学习提供了理论指导，标志着混沌理论与预測多重性的首次严格融合。论文已发表在《AIP Advances》2026年第16卷第045208期，并可在arXiv上获取（arXiv:2605.05218）。该研究不仅深化了我们对混沌系统中模型行为的理解，还为实际应用中的模型选择提供了新的方法论。