Representation Transitions Reveal Predictive Structure in Complex Systems: A Trajectory-Level Reconstruction in a Critical System

複雑系の研究において、科学者たちはしばしば、混沌とした事象を記述するための最も単純な方法を探求する。地図上を渦巻く嵐を観察することを想像してほしい。それを理解するために、研究者は平均風速や総降水量などを測定するかもしれない。これらの単一の数値は「スカラー統計」と呼ばれ、長い間、物理学の主力となってきた。システムが予測通りに振る舞うとき、これらは膨大なデータを一つの扱いやすい数値へと集約し、見事に機能する。その根底にある仮定は、最も重要な平均値を捉えれば、システムの将来の振る舞いの本質を捉えたことになるというものである。しかし、このアプローチは、ある静かな希望に依存している。すなわち、次に何が起こるかを予測するために必要な決定的な詳細が、一つの数字へと押し込められるプロセスの中で生き残るという希望である。もしその希望が間違っていた場合、どれほど優れたデータや賢いコンピュータを用意しても問題は解決しない。なぜなら、分析が始まる前に、必要な情報がすでに捨て去られているからである。

これは、最近のある重要な複雑系に関する研究において、独立研究者のJiaqi Panが取り組んだ精密なパズルである。研究者は、同一の条件下で生成された、シミュレーションによる膨大な軌跡（トラジェクトリ）のコレクションから始めた。それぞれの軌跡には、科学者が予測したい特定の結末があった。すなわち、その軌跡が後にどれほど大きく逸脱するか、あるいは変化するかということであった。目標は、言葉にするのは簡単だが達成するのは難しいものであった。すなわち、これらの軌跡を記述する方法を見出し、どの軌跡が劇的に変化する運命にあり、どの軌跡が安定したままであるかを明らかにすることであった。この研究は、新しい物理法則や新しい種類の測定法を提案したのではない。むしろ、より根本的な問いを投げかけた。データの記述方法の選択が、その中に隠されたパターンを見えるかどうかに影響を与えるのか、という問いである。

調査は、最も単純なアプローチから始まった。研究者は、各軌跡に対して、システムが落ち着くまでの時間や、ステップのランダム性など、6種類の異なる単一数値による要約をテストした。これらの単一の数値はいずれも機能しなかった。それらは、変化の大きい軌跡とそうでないものを分離することに失敗したのである。これは、データにノイズがあったり、測定が悪かったりしたためではない。対象となる結末は実在し、再現可能なものであった。問題は、軌跡の全履歴を一つの数字に押し込めることで、予測に必要な構造そのものが失われてしまったことにある。

挫折することなく、研究者はより複雑な手法を試みた。単一の数字ではなく、複数の異なる特徴を持つ小さなリストを用いて各軌跡を記述し、これらの数値の組み合わせによって隠れたグループや類似した振る舞いのクラスターが見出されることを期待した。研究者は、循環論法を避けるよう注意深く設計された2組の異なる特徴セットを試した。これらの手法は、いくつかの統計的パターンは見出したものの、最も重要なテストには依然として失敗した。最も大きく異なる運命にある2つの軌跡、すなわち極端な結果をもたらす軌跡が、決して孤立することはなかった。それらは平凡な軌跡の中に混ざり込み、群衆の中に埋もれてしまったのである。興味深いことに、これらの失敗した試みにおける個々の特徴の一つは、最終的な成功した手法よりも、結末との相関が強かった。これは、強い相関を持っていることだけでは不十分であり、データの整理の仕方が数値自体の強さよりも重要であることを証明していた。

突破口は、記述の根本的な性質を変えたときに訪れた。軌跡を別々の数字のリストへと分解するのではなく、各軌跡を連続的で流動的なプロファイルとして扱ったのである。研究者は、軌跡がさまざまな操作に対してどのように反応するかを観察し、全領域にわたる感度を記述する滑らかな曲線を作成した。この連続的なプロファイルは、集団を離散的なカテゴリーに分割することなく、一つのスコアへと圧縮された。このアプローチは即座に機能した。新しいスコアは、極端な軌跡を他のものから分離し、スペクトルの両端に配置することに成功したのである。

これが測定方法に依存した偶然の産物ではないことを確認するため、研究者は測定スケールの異なる部分を毎回取り除きながら、計8回にわたってこの手法をテストした。結果は毎回一貫しており、新手法は結末を予測する強力かつ信頼できる能力を示した。研究は、これまでの手法の失敗は、データの不足や信号の弱さに起因するものではないと結論付けた。信号はずっとそこにあった。失敗は、以前の手法が、予測に必要な特定の種類の構造を保持できない形式にデータを強制したために起こったのである。離散的なリスト形式の視点から、連続的で流動的な視点へと切り替えることで、研究者は他のあらゆるアプローチでは不可視であったパターンを解き放ったのである。

研究では、最後に分離された2つの極端な軌跡についても詳しく調査が行われた。最も高い結末をもたらした軌跡について、研究者は、その独特な振る舞いが、その構成要素の「順序」と「内容」の特定の組み合わせに依存していることを見出した。一方の要素を変更しても、もう一方を変更しない限り、同じ効果は得られなかった。最も低い結末をもたらした軌跡については、ステップ間の特定の依存関係や稀な統計的誤差など、いくつかの潜在的な原因がテストされ、排除された。この研究は、すべての複雑系に対する完全で普遍的なルールを明らかにしたわけではないが、適切な見方さえ見つかれば、個々の軌跡に関する具体的な構造的問いに答えることが可能になることを示した。

最も重要な教訓は、データの表現方法の選択は、単なる分析における技術的なステップではなく、それ自体が科学的な変数であるということである。この特定のシステムにおいては、軌跡を数字のリストとしてではなく、連続的なプロファイルとして記述するという決定が、何も見えない状態と、明確で予測可能な構造が見える状態との差を生んだ。この研究は、連続的な手法が常に離散的な手法よりも優れていると主張しているわけでも、主成分分析があらゆる問題に対する魔法の解決策であると示唆しているわけでもない。むしろ、基礎となる構造が連続的である場合、データを離散的な箱に押し込めることは答えを隠してしまうことを示している。研究は、科学者が、モデルやデータ収集の選択と同様に、表現の選択についても厳密に扱い、それがシステムを理解するために必要な構造を保持しているかどうかを直接テストすべきであることを示唆している。そうすることで、彼らが追い求めている答えは失われたのではなく、単に間違ったレンズの後ろに隠されていたのだということに気づくかもしれない。