研究人员开发出一种新型人工智能模型，其灵感来源于大脑中的神经振荡现象，旨在显著提升机器学习算法处理长序列数据的能力。AI在分析随时间演变的复杂信息（如气候趋势、生物信号或金融数据）时常常面临困难。

新型"状态空间模型"专门用于更有效地理解这些序列模式。然而现有模型在处理长数据序列时存在稳定性不足或计算资源消耗过大等问题。为此，研究人员提出了"线性振荡状态空间模型"(LinOSS)，该模型运用受迫谐振子原理——这一物理学概念在生物神经网络中也有体现。

LinOSS模型通过采用远少于传统方法的限制性设计选择，确保了预测稳定性。研究人员严格证明了该模型的通用逼近能力，意味着它能逼近任何连续、因果的输入输出序列关系。

实证测试显示，LinOSS在各种高要求序列分类和预测任务中持续优于现有最优模型。值得注意的是，在极端长度序列任务中，LinOSS性能超越广泛使用的Mamba模型近两倍。

该研究因其重要性被选为ICLR 2025口头报告（仅授予前1%的投稿）。研究人员预计LinOSS模型将对医疗分析、气候科学、自动驾驶和金融预测等领域产生重大影响。

“这项工作展示了数学严谨性如何带来性能突破和广泛应用。通过LinOSS，我们为科学界提供了理解复杂系统的强大工具，架起了生物灵感与计算创新之间的桥梁。“研究团队表示。

未来研究计划将该模型应用于更广泛的数据模态，并探索其在神经科学领域的潜在价值，可能深化对人类大脑本身的理解。