[论文解读] Towards Automated Statistical Physics : Data-driven Modeling of Complex Systems with Deep Learning.

Seungwoong Ha, Hawoong Jeong|arXiv (Cornell University)|Jan 3, 2020

Complex Network Analysis Techniques被引用 5

一句话总结

该论文提出了AgentNet，一种深度学习框架，利用图注意力网络从数据中自动推断复杂系统中的隐藏相互作用。该方法成功建模了元胞自动机、Vicsek模型和活性粒子系统，其注意力图与真实的相互作用强度一致，并能预测出逼真的鸟群 flocking 行为。

ABSTRACT

Rich phenomena from complex systems have long intrigued researchers, and yet modeling system micro-dynamics and inferring the forms of interaction are challenging for conventional data-driven approaches, being generally established by human scientists. In this study, we propose AgentNet, a generalized data-driven framework to analyze and understand the hidden interactions in complex systems. AgentNet utilizes a graph attention network to model the interaction between individual agents and employs various encoders and decoders that can be selectively applied to any desired system. Our model successfully captured three different simulated complex systems, namely cellular automata, the Vicsek model, and active Orenstein--Uhlenbeck particles in which, notably, AgentNet's visualized attention values coincided with the true interaction strength. Demonstration with empirical data from a flock of birds showed that AgentNet prediction could yield the qualitatively same collective phenomena as exhibited by real birds. We expect our framework to open a novel path to investigating complex systems and to provide insight into process-driven modeling.

研究动机与目标

• 开发一种通用的、数据驱动的框架，用于建模复杂系统，而无需依赖预定义的相互作用规则。
• 从观测或模拟数据中自动推断微观尺度的个体相互作用。
• 实现推断相互作用强度的可视化，使其与真实动力学保持一致。
• 展示该方法在多样化复杂系统（包括活性物质和生物群体）中的适用性。
• 提供一种以过程为导向的建模方法，减少在制定相互作用定律时对人工干预的依赖。

提出的方法

• AgentNet 采用图注意力网络（GAT）来建模系统中个体之间的相互作用。
• 其采用模块化编码器和解码器，可适配不同类型复杂系统。
• 该框架通过注意力机制学习个体状态的表征，并推断相互作用模式。
• 通过可视化注意力权重，实现对推断相互作用强度的解释与验证。
• 模型在模拟和真实系统的轨迹数据上进行端到端训练。
• 该方法在元胞自动机、Vicsek 模型和活性 Orenstein–Uhlenbeck 粒子等系统中均表现出泛化能力。

实验结果

研究问题

• RQ1 深度学习模型能否仅从轨迹数据中自动推断复杂系统中潜在的相互作用规则？
• RQ2 模型中的注意力权重是否在模拟系统中具有与真实相互作用强度有意义的对应关系？
• RQ3 该模型能否在具有不同动力学规则的多样化复杂系统中实现泛化？
• RQ4 该模型能否基于实测数据（如鸟群）预测出逼真的集体行为？
• RQ5 该模型推断的动力学在多大程度上能再现观测到的宏观现象？

主要发现

• AgentNet 成功捕捉了三种不同模拟复杂系统（元胞自动机、Vicsek 模型和活性 Orenstein–Uhlenbeck 粒子）的动力学特性。
• AgentNet 中可视化得到的注意力值在所有模拟系统中均与真实相互作用强度高度吻合。
• 当应用于真实鸟群的实测数据时，AgentNet 预测的集体行为与现实观测结果一致。
• 该模型在具有不同底层相互作用规则和动力学特性的系统中表现出良好的泛化能力。
• 注意力机制为推断的相互作用模式提供了可解释的洞察，验证了模型内部推理的合理性。