在機器學習的兩個長期獨立發展的領域中——預測多重性與混沌動力學——最近取得了重要突破。來自多所機構的研究團隊（Gauri Kale, Rahul Vishwakarma, Holly Diamond, Ava Hedayatipour, Amin Rezaei）提出了一種名為“視界約束Rashomon集”的理論框架，首次將混沌理論中的指數發散與模型多重性的動態演化聯絡起來。
傳統預測任務中，Rashomon集——即效能相近但結構不同的模型集合——通常被視為靜態的。然而，在混沌系統中，隨著預測時間的延長，初始相似的模型會呈指數級發散，使得傳統的多重性概念不再適用。該研究證明，有效Rashomon集的規模隨預測時長指數收縮，收縮速率由系統的最大李雅普諾夫指數決定。這一發現為理解混沌預測中模型多樣性的本質提供了全新視角。
為了量化這種動態變化，研究者引入了李雅普諾夫加權指標，該指標能更精確地估計模型間預測差異的上界。基於這些理論洞見，他們開發了決策對齊的模型選擇演算法，該演算法不再單純追求預測精度，而是根據下游決策任務的實際效用從近似最優模型中挑選最合適的模型。
實驗在多個混沌系統上展開，包括Lorenz-96、Kuramoto-Sivashinsky等合成系統，以及風電功率預測、交通流量預測和天氣預報等真實世界應用。結果顯示，與傳統方法相比，新框架在保持競爭性預測效能的同時，決策質量提升了18%至34%。
這項工作為在安全關鍵的混沌領域部署機器學習提供了理論指導，標誌著混沌理論與預測多重性的首次嚴格融合。論文已發表在《AIP Advances》2026年第16卷第045208期，並可在arXiv上獲取（arXiv:2605.05218）。該研究不僅深化了我們對混沌系統中模型行為的理解，還為實際應用中的模型選擇提供了新的方法論。