MF-Net to nowy rekurencyjny model do uczenia się dynamiki systemów wielowymiarowych, gdzie interakcje między zmiennymi były dotąd nieznane. Zamiast traktować zmienne osobno, model reprezentuje je w jednym wspólnym polu i uczy się, jak to pole ewoluuje w czasie przez odkrywanie relacji między elementami. Kluczowa innowacja to "mechaniczny" sposób organizacji przejść stanów — model uczy się relacji, które w naturalny sposób kształtują przepływy zależne od stanu i tendencje ruchu w polu.
Ważne jest, że MF-Net osiąga dwa cele naraz, które tradycyjnie były trudne do pogodzenia. Z jednej strony oferuje konkurencyjną dokładność prognoz na krótkim i średnim horyzoncie czasu — na testowym zestawie Lorenza-96 osiąga współczynnik R² równy 0,798 dla ośmioetapowych prognoz. Z drugiej strony, jego struktura pozostaje inspectowalna: naukowcy mogą bezpośrednio odczytać i zinterpretować odkryte relacje między zmiennymi, co ukazuje faktyczne mechanizmy rządzące systemem.
Model testowano na różnych problemach: znanych prawach interakcji, systemach chaotycznych, rzeczywistych nagraniach aktywności neuronalnej i szeregach czasowych z ekologii. Takie podejście może mieć znaczenie dla nauk, gdzie potrzebna jest zarówno prognozacja jak i zrozumienie — od biologii i neuronauuki po fizyczne systemy i modelowanie klimatyczne.