🌀 nonlinear sciences

Dynestyx: A Probabilistic Programming Library for Dynamical Systems

L'article présente Dynestyx, une bibliothèque de programmation probabiliste qui offre un support de premier ordre pour les modèles d'espace d'états, permettant aux utilisateurs de spécifier facilement des a priori, de réaliser l'inférence sur des données à effets mixtes et d'obtenir une quantification de l'incertitude rigoureuse pour les systèmes dynamiques tant discrets que continus.

Auteurs originaux : Daniel Waxman, Dmitry Batenkov, John Feser, Andy Zane, Eli Bingham, Youssef Marzouk, Matthew E. Levine

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Daniel Waxman, Dmitry Batenkov, John Feser, Andy Zane, Eli Bingham, Youssef Marzouk, Matthew E. Levine

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre une machine complexe, comme un moteur de voiture, mais que vous ne pouvez pas voir à l'intérieur. Vous ne pouvez voir que le compteur de vitesse, la jauge de carburant et entendre le bruit qu'elle fait (ce sont vos observations). Vous savez également que le moteur possède des pièces cachées en mouvement à l'intérieur (l'état latent) et que vous pouvez appuyer sur la pédale d'accélérateur pour modifier son fonctionnement (le contrôle).

Dynestyx est un nouvel outil logiciel conçu pour aider les scientifiques et les ingénieurs à comprendre exactement ce qui se passe à l'intérieur de ce moteur caché, même lorsque les données sont désordonnées ou incomplètes.

Voici une décomposition de ce que l'article affirme, en utilisant des analogies simples :

1. Le problème : Les outils « cloisonnés »

Avant cet outil, essayer de comprendre comment ces machines cachées fonctionnaient revenait à essayer de construire une maison où la personne qui dessine les plans, celle qui pose les briques et celle qui peint les murs parlaient toutes des langues différentes et utilisaient des outils différents.

Le problème : Les scientifiques devaient écrire du code personnalisé et unique pour chaque nouveau problème. S'ils voulaient tester une nouvelle façon de deviner l'état interne du moteur, ils devaient souvent reconstruire l'intégralité de leur logiciel de zéro. Cela rendait difficile la comparaison de différentes méthodes ou le suivi d'une « recette » standard de découverte.

2. La solution : Un adaptateur universel

Dynestyx agit comme un adaptateur universel ou un « couteau suisse » pour ces problèmes. Il est construit sur la base d'un langage de programmation populaire appelé NumPyro.

La « séparation des préoccupations » : Les auteurs ont conçu Dynestyx de manière à ce que vous puissiez clairement séparer ce que est la machine (le modèle) de comment vous essayez de la comprendre (les mathématiques).
- Analogie : Imaginez que vous écrivez une recette (le modèle). Avec Dynestyx, vous pouvez écrire la recette une seule fois, puis choisir de la cuisiner au micro-ondes, au four ou au gril (différentes méthodes mathématiques) sans réécrire la recette.

3. Comment cela fonctionne : La « boîte noire » et les « devineurs »

L'outil gère deux principaux types de systèmes basés sur le temps :

Temps discret : Comme un jeu vidéo où le monde se met à jour image par image.
Temps continu : Comme une rivière réelle qui coule de manière fluide, décrite par des équations physiques complexes.

Dynestyx vous permet de définir les règles de votre système (la « dérive » et la « diffusion », qui sont des mots savants pour décrire comment le système bouge naturellement et à quel point il tremble de manière aléatoire). Une fois que vous avez défini les règles, Dynestyx utilise des gestionnaires d'effets (effect handlers — une astuce de programmation ingénieuse) pour remplacer les algorithmes de « devinette » à la volée.

4. Le menu « Mix et Match »

L'article souligne un avantage massif : la puissance combinatoire.

Le menu : Vous pouvez prendre une méthode spécifique pour estimer l'état caché (comme un « Filtre de Kalman », qui est une méthode standard pour suivre des objets en mouvement) et la coupler avec une méthode spécifique pour deviner les paramètres (comme le « MCMC », qui est une façon d'explorer toutes les réponses possibles).
L'innovation : Les auteurs ont créé un tableau (Tableau 1 dans l'article) montrant toutes les combinaisons possibles.
- Certaines combinaisons existaient déjà dans d'autres logiciels.
- Les signes « + » : L'article affirme que Dynestyx est le premier à faire fonctionner certaines de ces combinaisons. Par exemple, coupler un type spécifique de « Filtre de Kalman d'ensemble » avec un algorithme « MCMC informé par le gradient » était auparavant impossible ou nécessitait un code personnalisé. Dynestyx en fait une fonctionnalité standard, prête à l'emploi.

5. Gestion des « effets mixtes »

L'outil gère également les modèles à effets mixtes.

Analogie : Imaginez que vous étudiez le comportement de différentes voitures (individus). Certaines voitures sont rapides, d'autres sont lentes, mais elles suivent toutes les mêmes règles de base du moteur. Dynestyx peut apprendre les règles générales pour toutes les voitures tout en comprenant aussi les particularités spécifiques de chaque voiture, le tout en une seule étape.

Résumé des affirmations

L'article ne prétend pas résoudre une crise médicale ou technique spécifique. Il prétend résoudre un problème de flux de travail :

Interface unifiée : Vous pouvez décrire un système dynamique une seule fois en Python.
Méthodes interchangeables : Vous pouvez remplacer les algorithmes mathématiques (filtres, échantillonneurs, optimiseurs) sans modifier la description de votre modèle.
Nouvelles combinaisons : Il débloque de nouvelles façons de combiner ces algorithmes qui n'étaient pas facilement disponibles auparavant, permettant aux chercheurs de comparer systématiquement quelle méthode de « devinette » fonctionne le mieux pour leur problème spécifique.

En bref, Dynestyx est une bibliothèque qui transforme le monde désordonné et codé sur mesure du suivi des systèmes cachés en un environnement propre, modulaire et propice à l'expérimentation.

Résumé technique : Dynestyx – Une bibliothèque de programmation probabiliste pour les systèmes dynamiques

Énoncé du problème
Les modèles d'espace d'états (SSM) constituent le formalisme standard pour le traitement bayésien des systèmes dynamiques, avec des applications critiques en neurosciences, en traitement du signal et en apprentissage automatique. Malgré leur importance théorique et leur utilité pratique, les systèmes dynamiques se sont avérés difficiles à intégrer dans les langages de programmation probabiliste (PPL) modernes. Par conséquent, les méthodes d'inférence de pointe restent souvent confinées à des bases de code spécifiques, ce qui crée des frictions pour les praticiens tentant de suivre un « flux de travail bayésien » rigoureux. Cette séparation entrave la comparaison systématique des algorithmes d'inférence et limite l'accessibilité des méthodes avancées pour l'estimation à la fois des états latents et des paramètres du modèle.

Méthodologie
Les auteurs introduisent dynestyx, une bibliothèque de programmation probabiliste conçue comme une extension de NumPyro. Dynestyx est élaborée pour fournir un support de premier ordre aux SSM tout en respectant le principe de « séparation des préoccupations » propre aux PPL.

Interface unifiée : La bibliothèque permet aux utilisateurs de spécifier des a priori arbitraires pour les systèmes dynamiques, qu'ils soient en temps discret ou en temps continu, via une interface unique et unifiée.
- Temps discret : Défini par $x_{t+1} \sim p(x_{t+1} | x_t, u_t, t)$ .
- Temps continu : Défini par des équations différentielles stochastiques (SDE) $dx_t = f(x_t, u_t, t) dt + L(x_t, u_t, t) d\beta_t$ .
- Observations : Couplées à l'état via $y_t \sim p(y_t | x_t, u_t, t)$ .
Orthogonalisation des composants : Dynestyx découple trois composants distincts :
1. Spécification du modèle : Une fonction Python définissant le a priori conjoint $p(\theta, \phi)$ et la structure dynamique (en utilisant DynamicalModel).
2. Estimation de la vraisemblance marginale (ML) : L'utilisateur sélectionne un algorithme d'inférence (par exemple, filtre de Kalman, filtre particulaire, filtre de Kalman d'ensemble) pour approximer la vraisemblance marginale intraçable $p(y_{1:T} | \theta, \phi)$ .
3. Inférence de paramètres : Le log-a posteriori résultant est ensuite transmis aux routines d'inférence standard de NumPyro (par exemple, HMC, NUTS, inférence variationnelle, SG-MCMC).
Implémentation via des gestionnaires d'effets (Effect Handlers) : La bibliothèque utilise des gestionnaires d'effets (inspirés de Plotkin et Pretnar, 2009) pour interpréter l'instruction dsx.sample. Cela permet à la définition du modèle de rester agnostique vis-à-vis du discrétiseur numérique ou de l'algorithme de filtrage spécifique utilisé, reportant toutes les approximations à la phase d'inférence.
Support des effets mixtes : La bibliothèque implémente les systèmes dynamiques à effets mixtes via une primitive de plaque (plate primitive), permettant l'inférence sur des structures de données hiérarchiques compatibles avec n'importe quelle combinaison d'estimateurs de ML et de méthodes d'inférence de paramètres.

Contributions clés

Support de premier ordre pour les SSM dans les PPL : Dynestyx comble le fossé entre la théorie complexe des systèmes dynamiques et la programmation probabiliste moderne, rendant les méthodes de pointe accessibles au sein d'un flux de travail NumPyro standard.
Flexibilité combinatoire : En orthogonalisant la spécification du modèle, l'estimation de la ML et l'inférence de paramètres, dynestyx permet un vaste espace de conception de combinaisons algorithmiques. Les utilisateurs peuvent interchanger les algorithmes de filtrage (par exemple, EKF, UKF, filtres particulaires) et les méthodes d'inférence de paramètres (par exemple, HMC, VB) sans réécrire le code du modèle.
Nouvelles combinaisons de méthodes : La bibliothèque implémente des combinaisons d'estimateurs et de méthodes d'inférence qui, à la connaissance des auteurs, ne sont pas apparues dans la littérature. Celles-ci incluent des SSM continu-discret couplés à un MCMC informé par le gradient (par exemple, CD EnKF avec MALA) et diverses autres configurations hybrides, comme détaillé dans le tableau de correspondance de l'article.
Intégration avec les écosystèmes existants : Dynestyx s'intègre à des bibliothèques logicielles existantes telles que dynamax, cd-dynamax et cuthbert pour fournir une large gamme d'algorithmes d'estimation d'état, incluant le filtrage de Kalman, le lissage RTS et le filtrage particulaire différentiable.

Résultats et capacités
L'article démontre que dynestyx parvient à unifier la spécification de processus générateurs de données idéalisés avec des stratégies d'inférence flexibles. Les capacités clés incluent :

Estimation des états et des paramètres : La capacité d'effectuer l'inférence sur des données à effets mixtes et de générer des estimations tant pour les états latents que pour les paramètres avec une quantification principled de l'incertitude.
Comparaison algorithmique : Le cadre facilite la comparaison directe de différentes compositions de méthodes d'inférence, permettant aux praticiens d'identifier des « règles empiriques » et des pathologies dans des modèles complexes, flexibles ou potentiellement mal spécifiés.
Compatibilité : Les modèles résultants sont entièrement compatibles avec les routines JAX génériques, y compris l'inférence variationnelle, HMC/NUTS et le MCMC à gradient stochastique.

Signification
Les auteurs positionnent dynestyx comme un outil qui élimine la friction actuellement associée à l'application des flux de travail bayésiens aux systèmes dynamiques. En fournissant une représentation unifiée pour les SSM, la bibliothèque non seulement rend les méthodes avancées plus accessibles aux praticiens, mais crée également un banc d'essai naturel pour l'innovation méthodologique. La capacité de composer et de comparer systématiquement les algorithmes d'inférence permet la découverte de nouvelles intuitions concernant le comportement de modèles complexes, stimulant potentiellement de nouveaux progrès dans le domaine des systèmes dynamiques bayésiens.