利用高效机器学习推断临界点并模拟复杂系统的非平稳动态
原文中文,约400字,阅读约需1分钟。发表于: 。非线性动力系统中模型无关且数据驱动的预测是一个复杂系统科学中具有挑战性且突出的任务,本文提出了一种基于下一代储层计算的全新数据驱动机器学习算法,通过使用静态训练数据样本来外推非线性动力系统的分岔行为,展示了该方法能够外推临界转变点,同时还证明了训练有素的下一代储层计算结构可以用于预测具有时间变化的分岔参数的非稳态动力学,通过这种方法可以模拟未知参数区域的过临界后动力学。
通过机器学习辅助的数据驱动方法研究了自适应易感-感染-易感(SIS)流行病学网络的临界点集体动力学。使用深度学习ResNet架构识别出参数依赖的有效随机微分方程(eSDE),并构建了基于eSDE漂移项的近似有效分支图。观察到演化网络的有效SIS动力学中存在亚临界Hopf分支,导致临界点行为。通过重复蛮力模拟和利用数学/计算工具分析识别的SDE的右侧进行稀有事件统计分析。展示了通过流形学习技术获得的数据驱动的粗粒度可观测量也可以识别出这样的集体SDE。该研究工作流程适用于其他具有临界点动力学的复杂系统。