Functional Generative Networks
Ein Verfahren, das vielfältige, aber physikalisch sinnvolle Vorhersagen erzeugt, indem der Zufall ins Netz statt in die Ausgabe wandert.
Wenn ein Modell mehrere mögliche Zukünfte zeigen soll und nicht nur eine, muss irgendwo Zufall hinein. Der übliche Weg, den Diffusionsmodelle gehen, streut Rauschen über die Ausgabe selbst und räumt es dann über viele Durchgänge wieder auf. Das funktioniert, ist aber langsam, und die Varianten sehen leicht wie verrauschte Kopien derselben Antwort aus.
Functional Generative Networks legen den Zufall stattdessen in die Steuerungsschichten des Netzes. Das Ergebnis ist ein einziger Durchgang, der wirklich unterschiedliche Szenarien liefert, die jedes für sich die gelernten Regeln einhalten. Eine Reihe von Wettervorhersagen kommt so als mehrere plausible Stürme heraus statt als ein verwaschener. Google DeepMind hat das Verfahren in WeatherNext Cyclones verwendet, wo es rund achtmal schneller läuft als der abgelöste Diffusionsansatz.