[论文解读] Predicting Rare Events in Multiscale Dynamical Systems using Machine Learning

Soon Hoe Lim, L. T. Giorgini+2 more|arXiv (Cornell University)|Aug 10, 2019

Advanced Thermodynamics and Statistical Mechanics被引用 4

一句话总结

本文提出一种基于数据驱动的机器学习方法，采用储层计算（reservoir computing）来预测多尺度动力系统中的罕见临界转变，其中慢变过程在快速驱动过程的影响下演化。该方法在低维至高维系统中成功实现对临界事件的提前数个数值时间步的预测，展现出良好的预测能力，同时也揭示了在复杂情形下的固有局限性。

ABSTRACT

We study the problem of predicting rare critical transition events for a class of slow-fast nonlinear dynamical systems. The state of the system of interest is described by a slow process, whereas a faster process drives its evolution and induces critical transitions. By taking advantage of recent advances in reservoir computing, we present a data-driven method to predict the future evolution of the state. We show that our method is capable of predicting a critical transition event at least several numerical time steps in advance. We demonstrate the success as well as the limitations of our method using numerical experiments on three examples of systems, ranging from low dimensional to high dimensional. We discuss the mathematical and broader implications of our results.

研究动机与目标

• 解决在慢-快非线性动力系统中预测罕见临界转变事件的挑战，此类事件传统建模方法难以预测。
• 开发一种基于数据驱动的预测方法，利用机器学习检测临界转变的早期预警信号，而无需了解系统底层方程的显式信息。
• 通过数值实验，评估该方法在不同维度系统（从低维到高维）中的性能与局限性。
• 探讨使用储水库计算预测复杂动力系统中罕见事件的数学与实际意义。

提出的方法

• 该方法采用储水库计算，一种递归神经网络架构，从观测数据中学习慢变过程的时序动态。
• 储水库网络处理慢变量的时间序列数据，捕捉预测临界转变所必需的非线性时序依赖关系。
• 快速过程通过其对慢过程的影响被隐式建模，无需显式表示快速动力学。
• 通过训练读出层，将储水库状态映射到慢过程的未来状态，从而实现对即将发生的转变的预测。
• 该方法应用于三个涵盖低维至高维系统的数值实例，以检验其泛化能力与鲁棒性。
• 通过测量临界转变前的领先时间及预测可靠性，评估预测精度。

实验结果

研究问题

• RQ1 储水库计算能否在数据有限的情况下准确预测多尺度动力系统中的罕见临界转变？
• RQ2 与实际事件发生时间相比，该方法能提前多久检测到临界转变？
• RQ3 在高维系统或强噪声条件下，该方法的性能局限性是什么？
• RQ4 与传统建模方法相比，该方法在预测非线性系统中罕见事件时表现如何？
• RQ5 在何种数学与系统条件下，该方法在预测转变时成功或失败？

主要发现

• 该方法成功在临界转变发生前至少数个数值时间步实现预测，展现出早期预警能力。
• 储水库计算方法在不同维度的系统中均表现出良好的泛化能力，涵盖低维至高维示例。
• 在高度非线性或高维系统中，预测精度下降，表明其在复杂动力学中存在固有局限性。
• 即使未显式建模底层快速动力学，该方法仍能捕捉临界转变，仅依赖于观测到的慢过程数据。
• 该方法对噪声和模型不确定性具有鲁棒性，适用于系统方程未知的真实世界应用。
• 结果表明，储水库计算可作为预测复杂多尺度系统中罕见事件的有力工具。