Nature Machine Intelligence | 非线性动力学-速率诱导临界相变-算法

摘要：近日，德国慕尼黑工业大学（Technical University of Munich）Yu Huang等，在Nature Machine Intelligence上发文，首次尝试开发深度学习框架，在速率诱导跃迁之前预测动力系统的跃迁概率。

近日，德国慕尼黑工业大学（Technical University of Munich）Yu Huang等，在Nature Machine Intelligence上发文，首次尝试开发深度学习框架，在速率诱导跃迁之前预测动力系统的跃迁概率。

非线性动力系统（置于变化的协迫forcing值时），可在不同状态之间表现出突变catastrophic transitions。临界慢化（critical slowing down，CSD）现象，可帮助预测这种突变，如果是由分岔引起的，并且相比于系统的内部时间尺度，协迫的变化是缓慢的。

然而，在许多现实世界的情况下，这些假设不能满足，并且由于协迫forcing超过临界速率，可以触发转换。例如，相比于地球系统关键组成部分（如极地冰盖或大西洋经向翻转环流）的内部时间尺度，人为气候变化的速度之快，构成了速率诱导临界相变（rate-induced tipping）的重大风险。

（注：速率诱导的临界相变（Rate-induced tipping，简称R-tipping）现象，即参数变化的速率可以导致系统从正常运行到崩溃的临界点。）

此外，随机扰动导致一些轨迹穿过不稳定边界，而其他轨迹则不会——即使在相同协迫时。基于临界减速的指标，通常不能区分这些由噪声引起的临界相变，以及没有临界相变的情况。这严重限制了评估临界相变风险和预测轨迹的能力。

近日，德国慕尼黑工业大学（Technical University of Munich）Yu Huang等，首次尝试开发深度学习框架，在速率诱导跃迁之前预测动力系统的跃迁概率。这种方法发布了早期预警，正如在三个典型系统上所展示的那样，这些系统受到时变平衡漂移和噪声扰动的影响。利用可解释的人工智能方法，这一深度学习框架捕获了早期检测速度诱导临界相变的指纹，即使交付周期很长。

研究证明了速率诱导和噪声诱导临界相变的可预测性，为更广泛的动态系统，确定安全操作空间，这是迄今为止所不可能的。