深度学习技术可以预测非线性动力系统中的突然状态转换吗？

非线性动力系统是能够经历突然转变的系统，这种转变不是由于其状态或稳定性的变化，而是由于外部条件或参数变化的速率。这些突然的变化（称为噪声引起的和速率引起的倾翻）可能会使预测系统如何随时间变化变得更具挑战性。

慕尼黑工业大学、波茨坦气候影响研究所和埃克塞特大学的研究人员进行了一项研究，探索深度学习技术在预测噪声引起和速率引起的倾翻方面的潜力。他们的论文，发表在自然机器智能，表明可以使用人工智能（AI）可靠地预测非线性动力系统的突然变化，例如气候变化。

“我们的团队和我们的长期研究范围集中在地球系统临界点，目的是弄清楚临界点的背景动态、不确定性、实际预测和社会经济影响，”该论文的第一作者黄宇告诉 Tech探索。

“来自气候学、生态学、物理学、数学和动力系统的科学家们在这一领域做出了很多伟大的贡献。到目前为止，对于分岔引起的倾翻有很多有效的预测理论和工具。然而，另外两种倾翻，噪声，诱发倾翻和速率诱发倾翻也给气候和生态系统的不稳定性带来了重大风险和巨大的不确定性。”

噪声引起的倾倒和速率引起的倾倒是在非线性动力系统中观察到的两种类型的转变，它们分别与环境中的随机波动或外部参数变化的速率相关。

例如，在气候变化的背景下，噪声引起的倾翻可能会对随机天气模式引起的生态系统产生影响，而速率引起的倾翻可能与气温上升速率的增加有关。

迄今为止，可靠地预测这两种类型的小费已被证明具有挑战性。黄和他的同事的一个关键目标是确定是否可以使用机器学习算法准确预测噪声引起的和速率引起的变化。

黄解释说：“通过在利率引起的小费发生之前收集大量样本并仔细检查原始数据，我们已经可以直观地观察到数据统计概率分布的一些微妙变化。”“然而，这种观察经验来自于集合样本。我们是否可以直接在单个样本上使用它来推断是否会发生速率引起的倾斜？深度学习给了我们这个机会。”

黄和他的同事在时间序列数据上训练了一个深度学习模型，显示具有不同底层动力学的各种非线性动力系统的变化。在训练过程中，模型逐渐学会根据给定的事件序列推断发生率引起的小费的概率。

黄说：“到目前为止，还没有针对速率引起和噪声引起的小费的预测理论，这项研究引入了深度学习作为这些小费事件的有效工具。”

“此外，我们发现预测有效性独立于特定的神经网络架构，良好的可迁移性可以跨不同的强迫率和动力系统，并且可解释的人工智能可以帮助我们从数据中发现临界点指纹。”

早期的研究已经证明了深度学习在预测分叉引起的倾翻方面的潜力。这是由分岔引起的动态系统的突然转变（即，当内部参数跨越临界阈值时，系统的平衡或周期性行为发生变化）。

黄说：“早期研究发现深度学习可以很好地预测分叉引起的倾斜，我们的新发现给了我们很多启发。”“他们暗示，获得针对不同类型的倾倒的全面预警指标以及强迫值和强迫率的关键阈值是一厢情愿的想法。”

该研究团队最近的工作可能很快会激发更多深度学习模型的开发，以预测速率和噪声引起的倾翻，这可能对预测气候和环境变化有用。与此同时，黄和他的同事正在针对三个不同的主题进行新的研究。

首先，他们正在努力改善深度学习模型他们在更全面的数据集上开发和训练它。这可以促进其用作可靠预测非线性中观察到的三种主要倾斜类型的工具动力系统。

黄补充道：“我们正在探索的第二个研究方向侧重于可解释的人工智能发现临界点的前兆信号，目的是了解潜在的物理和数学机制。”

“这可能有助于建立速率引起和噪声引起的倾翻的预测理论。未来的第三个研究方向植根于一个悬而未决的问题。我们的研究使用深度学习在倾翻发生之前预测系统的倾翻概率。步骤，预测系统在临界点之前和之后的时间演化轨迹也可能很有趣，这样我们就可以预测速率引起的临界点的临界轨迹，而不是临界点的概率。”

引文