ملخص تقني: فجوة الاتساق الديناميكي-الاحتمالي في النمذجة البديلة الفوضوية

1. بيان المشكلة

يهدف إعادة بناء الأنظمة الديناميكية (DSR) إلى تعلم بدائل عصبية توليدية تلتقط الديناميكيات الكامنة للبيانات السلاسل الزمنية. وللتطبيقات العلمية — مثل تحليل التفرع، وتقدير القياس الثابت، والتحكم طويل الأمد — يجب ألا تكتفي هذه البدائل بتحقيق دقة تنبؤية في الأفق القصير فحسب، بل يجب أن تعيد إنتاج البنية الديناميكية طويلة المدى للنظام، بما في ذلك هندسة الجاذب (attractor geometry) وأسات Lyapunov.

ومع ذلك، فإن النشر الموثوق في الأنظمة ذات الضجيج يتطلب تقدير حالة احتمالي وتنبؤًا مدركًا لعدم اليقين. تحدد الورقة صراعًا جوهريًا يسمى فجوة الاتساق الديناميكي-الاحتمالي (DPC): وهو أن السعي وراء أهداف احتمالية ذات أفق محدود (مثل تعظيم الاحتمالية أو تقليل السلب اللوغاريتمي للاحتمالية NLL) يمكن أن يؤدي إلى تدهور الديناميكيات المستقلة المتعلمة أو فصل عدم اليقين التنبئي عن ديناميكيات المماس المحلية التي ينبغي أن يعكسها.

تحديدًا، في الأنظمة الفوضوية، يؤدي التوسع المحلي الصحي فيزيائيًا إلى زيادة الحجم التنبئي. غالبًا ما تعاقب الأهداف الاحتمالية القياسية هذا النمو في الحجم (باعتبارها تعمل كـ "موس أوكام تلقائي")، مما يخلق مسارات تحسين مختصرة تضر بالدقة الفيزيائية للبديل.

2. المنهجية

2.1 التصنيف الآلي لأنماط الفشل

يعزل المؤلفون ثلاث آليات محددة تظهر من خلالها فجوة DPC، مصنفة حسب هدف التدريب (الحلقة المفتوحة مقابل الابتكار المفلتر) ومعلمة التباين (المتضمنة في انتقال جاكوبي مقابل الثابتة للحالة):

1. الانهيار الجوهري (Core Collapse): يحدث مع أهداف الحلقة المفتوحة (Open-Loop) وتباين منقول عبر جاكوبي (Jacobian-transported). يعمل حد اللوغاريتم المحدد (log-determinant) في الاحتمالية الغاوسية على معاقبة نمو الحجم التنبئي. وبما أن التوسع الفوضوي يزيد الحجم بطبيعته، فإن المحسن يقلص نواتج جاكوبي المتعلمة لقمع هذه العقوبة، مما يؤدي فعليًا إلى انهيار الديناميكيات الفوضوية إلى نظام مستقر أو أقل فوضوية.
2. قناع الضجيج (Noise Masking): يحدث مع أهداف الحلقة المفتوحة وتباين ثابت للحالة (State-invariant) (بدون انتقال). يقوم المحسن بتضخيم معاملات ضجيج العملية أو الملاحظة ($\Gamma, \Lambda$) لاستيعاب أخطاء النموذج وتحسين درجات الاحتمالية دون تصحيح النواة الحتمية. ينتج عن ذلك ديناميكيات مستقلة ضعيفة رغم جودة درجات التنبؤ.
3. عدم اليقين الأعمى (Blind Uncertainty): يحدث مع الأهداف المفلترة (Filtered) وتباين ثابت للحالة. بينما تظل النواة الحتمية سليمة، فإن التباين التنبئي لا يكون مرتبطًا ديناميكيًا؛ حيث يفشل في تتبع معدلات التوسع والانكماش المحلية، ويظل غير حساس لبنية جاكوبي المحلية.

2.2 الحل المقترح: KAFFEE

للحد من فجوة DPC، يقترح المؤلفون KAFFEE (إطار العمل المدرك لـ كالمان لإعادة المحاكاة الإرغودية). KAFFEE هو إطار تدريب قابل للاشتقاق يعتمد على مرشح كالمان الموسع (EKF) ويلتزم بمبدئين تصميميين:

• التقييم المحلي: يتم تقييم الاحتمالية على الابتكارات المفلترة (البواقي بعد استيعاب البيانات) بدلاً من التباينات التنبئية طويلة الحلقة. هذا يمنع الهدف من معاقبة نمو الحجم التراكمي المطلوب للتوسع الفوضوي.
• التأسيس الديناميكي: يتم نقل عدم اليقين التنبئي عبر نواتج جاكوبي المحلية المتعلمة ($J_{\theta_c}$). يتبع تحديث التباين خطوة التنبؤ القياسية لـ EKF: $\Sigma_{t|t-1} = J_{\theta_c,t} \Sigma_{t-1|t-1} J_{\theta_c,t}^\top + \Gamma_{\theta_s}$.

يقوم KAFFEE بتقليل السلب اللوغاريتمي للاحتمالية (NLL) لتسلسل الابتكار:
$$\mathcal{L}_{EKF} = \sum_{t=1}^T \left( \frac{1}{2} \log \det \Omega_t + \frac{1}{2} \| x_t - B z_{t|t-1} \|_{\Omega_t^{-1}}^2 \right)$$
حيث $\Omega_t$ هو تباين الابتكار المشتق من تباين الحالة المنقول عبر جاكوبي. يعامل هذا النهج النواة الحتمية والقشرة العشوائية كنظام موحد، حيث يوفر تحديث كالمان عامل تخميد يعتمد على الحالة وغير متماثل المناحي (anisotropic) يعمل على استقرار التدريب دون انهيار الديناميكيات.

3. الإعداد التجريبي والتقييم

يقيم المؤلفون فجوة DPC وإطار KAFFEE باستخدام إعدادين متكاملين:

1. الاستبعاد الآلي (Mechanistic Ablation): باستخدام شبكات RNN الخطية الجزئية (AL-RNNs) على نظام Lorenz-96 العشوائي وفائق الفوضى ($N=20$). يسمح هذا بحساب جاكوبي بدقة وعزل أنماط الفشل بشكل محكوم.
2. تكييف نماذج التأسيس (Foundation Model Adaptation): تكييف نموذج DynaMix، وهو نموذج تأسيسي للأنظمة الديناميكية (DSFM) مدرب مسبقًا، عبر 13 نظامًا تفاضليًا عاديًا (ODE) فوضويًا (مثل Lorenz-63، وChen، وRabinovich-Fabrikant) مع ضجيج ملاحظة بنسبة 10%.

إطار التقييم:
تقدم الورقة إطار تقييم ثلاثي المحاور لفصل السلوك الاحتمالي المحلي عن الأمانة الديناميكية:

• السلوك الاحتمالي المحلي: يُقاس بواسطة NLL، وCRPS، و$G_{tan}$ (ارتباط رتب سبيرمان بين نمو التباين البديل وتوسع المماس المحلي الحقيقي).
• الأمانة الدينامية العشوائية: تُقاس عبر تباعد فضاء الحالة ومعدل نمو الحجم غير المستقر (مجموع أسات Lyapunov الموجبة) مع تفعيل القشرة.
• الأمانة الدينامية الحتمية: تُقاس عبر تباعد فضاء الحالة، والتداخل الطيفي (مسافة هيلينجر)، وإنتروبيا KS عند إزالة القشرة (لعزل النواة).

4. النتائج الرئيسية

4.1 استبعاد Lorenz-96

• الانهيار الجوهري: أدت أهداف الحلقة المفتوحة مع نقل جاكوبي إلى تدهور النواة الحتمية بشكل كبير، مما قلل من إنتروبيا KS وفشل في التقاط التوسع فائق الفوضى.
• قناع الضجيج: حققت أهداف الحلقة المفتوحة بدون انتقال درجات NLL تنافسية، لكنها فشلت في تعلم الديناميكيات الصحيحة، حيث كانت $G_{tan}$ قريبة من الصفر.
• عدم اليقين الأعمى: حافظت الأهداف المفلترة بدون انتقال النواة، لكنها فشلت في تأسيس عدم اليقين ($G_{tan} \approx 0$).
• أداء KAFFEE: كان KAFFEE (المفلتر + النقل المربوط) هو الطريقة الوحيدة التي حققت في آن واحد:
  • الحفاظ على التوسع فائق الفوضى المتأصل في النظام (مطابقة إنتروبيا KS للسابقة الحتمية).
  • الحفاظ على معايرة تنبؤية عالية (درجات NLL/CRPS تنافسية).
  • تحقيق تأسيس ديناميكي قوي ($G_{tan} \approx 0.475$، وهو أعلى بكثير من النماذج المرجعية).

4.2 تكييف DynaMix

• عند تكييف نموذج التأسيس Dyna-Mix المدرب مسبقًا، تسبب ضبط الحلقة المفتوحة الدقيق في انحراف النواة المستقلة عن ديناميكياتها الصفرية (زيادة في $D_{stsp}$ وأخطاء الطيف).
• KAFFEE-DynaMix حافظ على الديناميكيات المستقلة الصفرية (أدنى انحراف في $D_{stsp}$ والتداخل الطيفي) مع تحسين الدرجات الاحتمالية (NLL) مقارنة بالنموذج الأساسي ذي النواة المجمدة.
• الأهم من ذلك، مكّن KAFFEE من الترشيح البايزي داخل السياق (in-context Bayesian filtering) لنموذج التأسيس، مما سمح له باستيعاب الملاحظات المتفرقة والمشوشة عبر الإنترنت مع الاحتفاظ بالثوابت الفيزيائية المتعلمة.

4.3 ضوابط غير فوضوية

أكدت التجارب على الحلزونات الخطية المستقرة ودورات حد Van der Pol أن آليات فجوة DPC تختلف عن "توهين الحالة الضوضائية" الكلاسيكي (حيث يؤدي التعامل مع الملاحظات المشوشة كحالات إلى تقديرات منحازة ومتقلصة بشكل مفرط). نجح KAFFEE في استعادة الأقطار الطيفية الصحيحة وهندسات دورة الحد حيث فشل تقدير الاحتمالية القصوى الساذج.

5. الأهمية والادعاءات

تدعي الورقة أن فجوة DPC هي مشكلة هيكلية في إعادة البناء الديناميكي الاحتمالي (DSR)، حيث يمكن للأهداف الاحتمالية ذات الأفق المحدود أن تحفز مسارات مختصرة تدمر الفائدة العلمية للبديل.

• المساهمة النظرية: يصيغ المؤلفون فجوة DPC ويحددون ثلاثة أنماط فشل متميزة (الانهيار الجوهري، قناع الضجيج، عدم اليقين الأعمى)، مبرهنين على أن التدريب القائم على الاحتمالية يمكن أن يضعف بفعالية الثوابت الديناميكية في الأنظمة الفوضوية.
• المساهمة المنهجية: يوفر KAFFEE تجسيدًا ملموسًا لـ "إعادة المحاكاة الديناميكية المأسسة". من خلال ربط تسجيل الابتكار المفلتر بنقل التباين عبر جاكوبي، فإنه يخفف من مسارات ضغط الحجم المتأصلة في أهداف الحلقة المفتوحة.
• الأثر العملي: تشير النتائج إلى أنه بالنسبة للبدائل العلمية، وخاصة نماذج التأسيس، يجب تقييد التكييف الاحتمالي للحفاظ على الديناميكيات المستقلة. يتيح KAFFEE تزويد نماذج التأسيس الحتمية بآليات معايرة لعدم اليقين مرتبطة محليًا دون التضحية بالأمانة الديناميكية الصفرية.

يخلص المؤلفون إلى أنه بينما يرث KAFFEE التقريب الغاوسي المحلي لـ EKF (والذي قد يحد من تمثيل تعدد الأنماط في عدم اليقين)، فإنه يمثل خطوة مبدئية نحو تطوير نماذج بديلة يمكنها التعامل مع عدم اليقين باتساق مع الديناميكيات الفوضوية الكامنة. ويُقترح العمل المستقبلي لاستكشاف طرق ترشيح أغنى (مثل مرشحات الجسيمات أو مرشحات كالمان الجماعية) وتقريبات منخفضة الرتب للأنظمة عالية الأبعاد.