[论文解读] Effective Equations in complex systems: from Langevin to machine learning

Vulpiani, Angelo, Baldovin, Marco|arXiv (Cornell University)|Nov 19, 2019

Model Reduction and Neural Networks被引用 6

一句话总结

本文将朗之万方程推广至具有非标准动能项的哈密顿系统，通过数据驱动的推理协议推导出有效随机方程。研究表明，此类有效方程可准确建模复杂系统中的慢变动力学，包括负温度系统，并提出一种利用时间序列数据验证这些模型的框架，从而弥合统计力学与机器学习在粗粒化建模方法上的鸿沟。

ABSTRACT

The problem of effective equations is reviewed and discussed. Starting from the classical Langevin equation, we show how it can be generalized to Hamiltonian systems with non-standard kinetic terms. A numerical method for inferring effective equations from data is discussed; this protocol allows to check the validity of our results. In addition we show that, with a suitable treatment of time series, such protocol can be used to infer effective models from experimental data. We briefly discuss the practical and conceptual difficulties of a pure data-driven approach in the building of models.

研究动机与目标

• 将经典的朗之万方程推广至具有广义动能项的哈密顿系统。
• 开发一种基于数据驱动的方法，从未知底层动力学的时序数据中推断有效随机方程。
• 通过数值和实验数据验证推导出的有效方程。
• 探讨在复杂系统中完全基于数据驱动建模所面临的概念与实际挑战。
• 在统计物理中的有效方程与现代机器学习及大数据方法之间建立类比。

提出的方法

• 通过用任意 K(P) 替换二次动能项，推广朗之万方程，从而允许动量的非线性依赖。
• 引入一种具有广义阻尼力 Γ(P) 和乘性噪声 √(2D)ξ(t) 的有效随机方程。
• 采用稳态概率密度 f(Q,P) 和电流平衡，推导出将 D 与 Γ(P) 联系起来的广义爱因斯坦关系。
• 应用数值协议，从未模拟数据中推断有效方程，并检验其与理论预测的一致性。
• 通过使用时间延迟相关性和粗粒化技术，将该方法适配于实验时序数据。
• 通过数值模拟验证，并应用于颗粒介质中旋转扩散的实验数据。

实验结果

研究问题

• RQ1 朗之万方程能否系统性地推广至具有非二次动能项的哈密顿系统？
• RQ2 在不事先了解底层动力学的前提下，如何可靠地从未知时序数据中推断有效方程？
• RQ3 在非标准系统中，连接噪声幅值 D 与有效阻尼 Γ(P) 的广义爱因斯坦关系的形式是什么？
• RQ4 负温度态如何影响有效方程的结构及其从数据中推断的特性？
• RQ5 在复杂系统中，完全基于数据驱动的建模方法存在哪些局限性与概念性风险？

主要发现

• 广义朗之万方程能够成功捕捉具有非标准动能项的系统中的慢变动力学，即使在负温度状态下亦然。
• 推导出一致的广义爱因斯坦关系 D ∝ Γ(P)，将非二次系统中的噪声幅值与有效阻尼联系起来。
• 数据驱动的推理协议能从未模拟的时序数据中准确恢复有效方程，与理论预测高度一致。
• 该方法成功应用于颗粒介质中旋转扩散的实验数据，所得有效模型与真实系统行为相符。
• 本研究指出，完全基于数据驱动的方法存在根本性局限，尤其在捕捉非马尔可夫性和非遍历性特征方面。
• 有效方程不仅提供计算效率，还带来概念性洞见，揭示了在全尺度模拟中被掩盖的主要物理机制。