Badacze opracowali metodę Horizon-Constrained Rashomon Sets do interpretacji modeli prognozujących chaotyczne systemy dynamiczne. Podejście to umożliwia znalezienie wielu alternatywnych wyjaśnień dla przewidywań modelu, które są równie dokładne, ale oparte na różnych cechach wejściowych. Praca jest istotna dla zwiększenia zaufania do modeli AI w dziedzinach takich jak meteorologia czy modelowanie klimatyczne, gdzie chaos utrudnia tradycyjne wyjaśnianie.