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

图1 | 粒子系统的速率诱导临界相变R-tipping可视化。

图2 | 速率诱导临界相变的总体模拟结果。

图3 | 在范例系统中,速率诱导临界相变的基于深度学习deep learning,DL预测。

图4 | 预测速率诱导临界相变的训练深度学习DL模型。

图5 | 预测精度forcing rates。

图6 | 预测精度dynamical systems。

文献链接:

Huang, Y., Bathiany, S., Ashwin, P. et al. Deep learning for predicting rate-induced tipping. Nat Mach Intell (2024).

-- 今日新材料

来源:Future远见

相关推荐