في عالم تعلم الآلة (Machine Learning)، تُعتبر الديناميكيات الفوضوية (Chaotic Dynamics) وتعدد النماذج (Model Multiplicity) من التحديات الجوهرية التي لطالما تطورت بشكل مستقل على الرغم من روابطها المفاهيمية العميقة. وفي خطوة مبتكرة، أعلن فريق من الباحثين عن تقديم مجموعات راشومون المقيدة بالأفق (Horizon-Constrained Rashomon Sets) كإطار نظري يهدف إلى تقليل الفجوة بين هذين المفهومين.

تشكل هذه المجموعات أداة قوية لفهم كيفية تطور تعددية النماذج مع أفق التنبؤ (Prediction Horizon) في الأنظمة الفوضوية. على عكس المهام الثابتة للتنبؤ، فإن الفوضى تؤدي إلى تباين أسي بين النماذج المتشابهة، مما يُغير بشكل جوهري من طبيعة التناظر التنبؤي (Predictive Equivalence). وقد أثبت الباحثون أن مجموعة راشومون الفعالة تتقلص أسيًا مع زيادة أفق التنبؤ بمعدل تحدده أكبر قيمة لمؤشر ليافونوف (Lyapunov Exponent).

كما قاموا بتقديم مقاييس مُوزونة تعتمد على مؤشر ليافونوف لضمان أن تكون الفروق التنبؤية ضمن حدود أقوى. ومن خلال استغلال هذه الأفكار، أنشأ الباحثون خوارزميات اختيار متوافقة مع القرارات، تختار من بين النماذج القريبة من المثالية بناءً على المنفعة العملية بدلاً من مجرد دقة التنبؤ.

وقد أظهرت التجارب الشاملة التي أجريت على أنظمة فوضوية صناعية (مثل Lorenz-96 وKuramoto-Sivashinsky) وتطبيقات حقيقية (مثل الطاقة الريحية، المرور، والطقس) أن هذا الإطار يُحسن من جودة القرارات بنسبة تتراوح بين 18% إلى 34%، مع الحفاظ على أداء تنبؤي تنافسي. هذه الدراسة تُعتبر خطوة أولى لتأسيس رابط صارم بين نظرية الفوضى وتعددية التنبؤ، مما يتيح توجيهًا معتمدًا عند استخدام تعلم الآلة في مجالات حرجة تتطلب الدقة والأمان.