[论文解读] A Physics-Based Approach to Unsupervised Discovery of Coherent Structures in Spatiotemporal Systems

Adam Rupe, James P. Crutchfield+2 more|arXiv (Cornell University)|Sep 10, 2017

Neural Networks and Applications参考文献 16被引用 3

一句话总结

本文提出了一种基于物理的无监督方法，通过时空光锥导出的局部因果态，用于发现时空系统中的相干结构。通过将计算力学应用于细胞自动机并将其扩展至实值流体系统，该方法实现了可解释的、基于原理的相干结构检测——例如涡旋和大气河流——且无需标注数据，为启发式或基于深度学习的方法提供了严格的替代方案。

ABSTRACT

Given that observational and numerical climate data are being produced at ever more prodigious rates, increasingly sophisticated and automated analysis techniques have become essential. Deep learning is quickly becoming a standard approach for such analyses and, while great progress is being made, major challenges remain. Unlike commercial applications in which deep learning has led to surprising successes, scientific data is highly complex and typically unlabeled. Moreover, interpretability and detecting new mechanisms are key to scientific discovery. To enhance discovery we present a complementary physics-based, data-driven approach that exploits the causal nature of spatiotemporal data sets generated by local dynamics (e.g. hydrodynamic flows). We illustrate how novel patterns and coherent structures can be discovered in cellular automata and outline the path from them to climate data.

研究动机与目标

• 为解决在未标注、高维时空数据中缺乏基于原理且可解释的相干结构发现方法的问题，特别是在气候与流体动力学领域。
• 克服线性方法（如EOF）和依赖标注数据或缺乏可解释性的深度学习方法的局限性。
• 开发一种基于因果动力学与局部信息传播的严谨、数据驱动框架，用于无监督的相干结构发现。
• 通过因果等价关系，将相干结构的概念从流体流动推广至多样化的非线性时空系统。
• 利用高性能计算（HPC）实现大规模气候数据中相干结构的自动化、可扩展发现。

提出的方法

• 采用局部因果态框架，其中因果等价性在时空中的过去与未来光锥上定义，确保预测仅基于因果相关的信息。
• 应用因果等价关系：若两个过去光锥能对未来的光锥产生相同的条件分布，则视为等价，从而实现预测的最小充分统计量。
• 将光锥用作局部因果邻域——由有限的信息传播速度 c 定义——确保时空分析中的因果性与局部性。
• 通过局部因果态将 ε-机器形式化推广至时空系统，实现从原始数据中无监督地分割相干结构。
• 使用局部统计复杂度作为初步过滤器，但将其与最终的相干结构识别区分开来，后者依赖于因果态聚类。
• 利用高性能计算（HPC）基础设施（如 NERSC 的 Cori 系统）将方法扩展至 TB 级气候数据集。

实验结果

研究问题

• RQ1 能否在不依赖标注数据的情况下，以无监督、可解释且基于原理的方式发现时空系统中的相干结构？
• RQ2 如何利用有限信息传播定义的时空因果结构，识别非线性系统中的局部化、持久性模式？
• RQ3 局部因果态在多大程度上能提供比现有启发式或基于熵的滤波器更严格、更一致的相干结构定义？
• RQ4 该方法能否从离散的细胞自动机推广至连续的实值流体与气候系统？
• RQ5 局部因果态框架是否能揭示超越结构检测的机制性洞见，例如与热力学或动力学的关联？

主要发现

• 该方法成功在 1D 细胞自动机（如规则 54）中通过无监督的局部因果态分割识别出相干结构，区分出四种不同的结构与相互作用状态。
• 与局部统计复杂度作为滤波器相比，该方法通过显式分割相干结构而非仅突出罕见事件，展现出更优性能。
• 在流体模拟的涡旋街中进行可视化显示，局部因果态能够以符合物理直觉的方式恢复已知的相干结构（如涡旋）。
• 该方法可推广至实值系统，为应用于典型流体流动与大规模气候数据提供了清晰路径。
• 该框架为深度学习与启发式方法提供了基于原理且可解释的替代方案，具有超越检测本身的机制性洞察潜力。
• 计算流水线专为 HPC 环境设计，通过在 NERSC 的 Cori 等系统上进行分布式执行，实现了对 TB 级气候数据集的可扩展性。