💻 computer science

Model discovery for dynamical systems with complex-valued product units

Dit artikel introduceert een datagedreven methode voor modelontdekking met complexe product-unit-netwerken die de besturende vergelijkingen direct uit data leert zonder vooraf gedefinieerde functielibraries, met succes de exacte dynamiek voor chaotische systemen herstelt en stabiele voorspellingen genereert voor real-world menselijke loopbewegingssignalen.

Oorspronkelijke auteurs: Martin Brückmann, Babette Dellen, Uwe Jaekel

Gepubliceerd 2026-05-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Martin Brückmann, Babette Dellen, Uwe Jaekel

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die probeert het geheime recept voor een heerlijke, chaotische stoofpot te achterhalen. Je kunt de kok niet zien en hebt geen ingrediëntenlijst, maar je kunt wel de pot zien borrelen en de soep op verschillende momenten proeven. Je doel is niet alleen om te raden hoe de soep er straks uit zal zien; je wilt de exacte wiskundige formule ontdekken die verklaart waarom hij op die manier borrelt.

Dit artikel presenteert een nieuw "detective-instrument" dat de Complex-Valued Product-Unit Network (Netwerk met complexe producteenheden) wordt genoemd. Hieronder wordt uitgelegd hoe dit werkt, opgesplitst in eenvoudige concepten:

1. De Oude Manier versus de Nieuwe Manier

De Oude Manier (SINDy & Symbolische Regressie): Stel je voor dat je probeert het recept te vinden door elke mogelijke combinatie van ingrediënten uit een gigantisch, vooraf geschreven kookboek te testen. Je probeert misschien "zout + peper", dan "zout + peper + suiker", en vervolgens "zout + peper + suiker + bloem". Als het echte recept een raar ingrediënt gebruikt zoals "0,5 theelepel steranijs" (een fractionele exponent) of "negatief zout" (negatieve exponenten), bevat je kookboek misschien niet eens die opties. Je bent beperkt door wat je al weet.
De Nieuwe Manier (Dit Artikel): In plaats van een kookboek te gebruiken, is dit nieuwe instrument als een vervormende kok. Het heeft geen lijst met ingrediënten nodig. Het kijkt naar de borrelende soep en leert om zijn eigen ingrediënten onderweg te creëren. Het kan termen bedenken zoals $x^{0,5}$ (vierkantswortel) of $x^{-2}$ (invers) puur door het observeren van de data. Het bouwt de formule van scratch op, en ontdekt de "monomen" (de bouwstenen van de wiskunde) direct uit de waarnemingen.

2. Hoe de "Vervormende Kok" Werkt

Het model gebruikt speciale "eenheden" die fungeren als magische vermenigvuldigers.

De Producteenheid: Denk aan een standaard rekenmachine die alleen getallen optelt. Dit model gebruikt een speciale rekenmachine die getallen met elkaar vermenigvuldigt, maar ze ook tot elke macht kan verheffen die het wil – zelfs vreemde, fractionele of negatieve machten.
Het Complexe Domein: Om deze wiskunde soepel te laten werken (vooral bij het omgaan met negatieve getallen of wortels), opereert het model in de wereld van "complexe getallen". Stel je een kaart voor waar je niet alleen Noord/Zuid (reële getallen) hebt, maar ook Oost/West (imaginaire getallen). Het model gebruikt deze extra dimensie om door lastig wiskundig terrein te navigeren dat standaardrekenmachines in de war zou brengen.
Het Resultaat: Het model spitst een lijst met termen uit (zoals $5x^2y$ of $-4z^{0,1}$ ) en telt deze op om het gedrag van het systeem na te bootsen.

3. De Testkeuken: Benchmark-systemen

De auteurs hebben hun detective-instrument getest op vier beroemde "chaotische" systemen (wiskundige recepten die bekend staan om hun onvoorspelbaarheid):

Lorenz63: Het klassieke weermodel.
Lorenz84: Een complexer weermodel.
Four-Wing Attractor: Een systeem dat eruitziet als een vlinder met vier vleugels.
Lorenz_Fract: Een gewijzigde versie van de eerste die een "fractioneel" ingrediënt bevat (een vierkantswortel).

De Resultaten:

Toen ze het model voldoende data voerden (minimaal 3.000 punten), slaagde het er 90% van de tijd in om de exacte originele recepten opnieuw te ontdekken voor de standaard systemen.
Zelfs voor het lastige "fractionele" systeem had het het 70–90% van de tijd goed.
De "Kristallen Bol"-test: Zodra het model het recept had gevonden, lieten ze het de toekomst voorspellen. Als het recept perfect was, bleef de voorspelling voor altijd op koers. Als het recept iets verkeerd was, zou de voorspelling uiteindelijk uit de hand lopen. Het model was zo accuraat dat zijn voorspellingen zeer lang stabiel bleven.

4. De Realistische Uitdaging: Menselijk Wandelen

Tot slot testten ze het instrument op iets rommeligs en echt: versnellingsdata van een lopende persoon.

Het Probleem: In tegenstelling tot de bovenstaande schone wiskundige problemen is wandelen luidruchtig en hoogdimensionaal (veel variabelen). Er is geen bekend "recept" voor menselijk wandelen om mee te vergelijken.
De Aanpak: In plaats van een differentiaalvergelijking te vinden (een recept voor verandering), leerde het model de volgende stap van de wandeling te voorspellen op basis van de vorige 50 stappen.
Het Resultaat: Het model leerde een stabiel patroon. Zelfs toen het werd gevraagd om de wandeling te voorspellen voor 30 seconden (drie keer langer dan de tijd waarop het was getraind), raakte het niet in de war. De fout bleef klein en begrensd, ongeveer 12–14% van het totale bewegingsbereik. Het slaagde erin het ritme van het wandelen vast te leggen zonder van tevoren de fysica te hoeven kennen.

5. De Haken en Ogen (Beperkingen)

Het artikel geeft toe dat er nog een paar dingen niet perfect zijn:

Grootte Gissen: Je moet het model ongeveer vertellen hoeveel "ingrediënten" (termen) het moet zoeken. Als je te laag schat, kan het het recept niet vinden. Als je te hoog schat, wordt het rommelig.
Complexiteit: Wanneer toegepast op de wandeldata, werd het model enorm (duizenden parameters). Hoewel het werkte, was het resulterende "recept" te ingewikkeld voor een mens om gemakkelijk te lezen en te begrijpen. Het is in dit hoogdimensionale geval een "black box", in tegenstelling tot de eenvoudige, leesbare formules die het vond voor de wiskundige benchmarks.
Ruis: De wandeldata moest worden opgeschoond (gefilterd) voordat het model er van kon leren. Het is nog niet uitgebreid getest op zeer ruisende data.

Samenvatting

Dit artikel introduceert een slim, flexibel instrument dat de wetten van de natuur (of ten minste complexe systemen) direct uit data kan reconstrueren, zonder dat er een vooraf gemaakte lijst met mogelijke formules nodig is. Het werkt briljant op wiskundige puzzels en toont veelbelovende resultaten voor rommelige real-world data zoals menselijke beweging, mits je voldoende data hebt om het te voeden.

Technische Samenvatting: Modelontdekking voor Dynamische Systemen met Complexe Producteenheden

Probleemstelling
Het terugvinden van bestuurende vergelijkingen uit waargenomen trajecten biedt dieper structureel inzicht in dynamische systemen dan loutere toestandsvoorspelling. Het identificeren van de relevante monomen – met name die met fractionele of negatieve exponenten – in hoogdimensionale systemen is echter uitdagend vanwege het potentieel oneindige aantal kandidaat-termen. Gevestigde methoden zoals SINDy (Sparse Identification of Nonlinear Dynamics) en symbolische regressie vertrouwen op vooraf gedefinieerde bibliotheken van kandidaatfuncties. Deze beperking beperkt de representatie van niet-lineaire functieklassen en maakt een exhaustieve zoektocht onuitvoerbaar naarmate de invoerdimensionaliteit toeneemt, aangezien het aantal kandidaat-termen exponentieel groeit.

Methodologie
De auteurs stellen een datagedreven aanpak voor met behulp van Complexe Producteenheidsnetwerken om bestuurende vergelijkingen te ontdekken zonder een vooraf gedefinieerde kandidaatbibliotheek.

Architectuur: Het model maakt gebruik van producteenheden waarbij elke eenheid een product berekent van ingangen die tot complexe machten zijn verheven ( $x_i^{w_i}$ ). Deze worden geïmplementeerd door sommeer-eenheden te concateneren met logaritmische en exponentiële activatiefuncties gedefinieerd in het complexe domein: $\prod x_i^{w_i} = \exp(\sum w_i \log x_i)$ .
Formulering: De netwerkoutput representeert de rechterkant (RHS) van gewone differentiaalvergelijkingen (ODE's) als een schaarse lineaire combinatie van deze complexe monomen:
$\hat{f}(x_1, \dots, x_n) = \sum_{k=1}^m c_k \prod_{i=1}^n x_i^{w_{k,i}}$
waarbij $c_k$ en $w_{k,i}$ complexe coëfficiënten en exponenten zijn die rechtstreeks uit de data worden geleerd.
Training: Het netwerk wordt getraind via gradiëntafdaling (Adam-optimizer) met behulp van een complexe gemiddelde kwadratische foutverliesfunctie. Voor benchmark-systemen leert het model om tijd-afgeleiden ( $\dot{x}$ ) te voorspellen op basis van toestandsvariabelen. Voor real-world loopdata, waar afgeleiden niet beschikbaar zijn, maakt het model gebruik van tijdsvertraging-embedding om de volgende toestand direct te voorspellen uit een reeks van waarnemingen in het verleden.
Nabewerking: Om numerieke ruis te hanteren en stabiliteit te garanderen, worden termen met absolute coëfficiënten onder $10^{-3}$ uitgesloten. Vergelijkbare termen (waarbij exponenten met $\le 0.1$ verschillen) worden samengevoegd door exponenten te middelen en coëfficiënten op te tellen.

Belangrijkste Bijdragen

Ontdekking zonder Bibliotheek: In tegenstelling tot SINDy of symbolische regressie vereist deze aanpak geen vooraf ingestelde set kandidaatfuncties. Het leert relevante monomen, inclusief die met fractionele of negatieve exponenten, rechtstreeks uit de data.
Complexe Domein: Door volledig in het complexe domein te opereren (ingangen, gewichten en uitgangen), behandelt het model op natuurlijke wijze negatieve ingangen en fractionele machten, wat problematisch is voor standaard reële producteenheden.
Schaarse Representatie: De methode beoogt schaarse algebraïsche structuren die de dynamica aandrijven, te herstellen, wat interpreteerbaarheid faciliteert.

Resultaten
De methode werd geëvalueerd op vier chaotische benchmarksystemen en real-world menselijke loopversnellingsmetersdata.

Benchmarksystemen (Lorenz63, Lorenz84, Four-Wing, Lorenz_Fract):
- Met minimaal 3.000 trainingspunten herstelde het model de exacte bestuurende vergelijkingen in 90% van de trials voor systemen met geheeltallige exponenten (Lorenz63, Lorenz84, Four-Wing).
- Voor de fractionele variant (Lorenz_Fract, met een $z^{0.5}$ -term) werd exact herstel bereikt in 70–90% van de trials met 3.000–5.000 punten.
- Wanneer alle leidende termen correct werden geïdentificeerd, was de Effectieve Voorspellingstijd (EPT) effectief oneindig (niet te onderscheiden van het ware systeem). Als termen werden gemist, daalde de EPT aanzienlijk (onder één Lyapunov-tijd).
- De studie merkte op dat spuriële imaginaire componenten in de output vaak dienden als vroege indicatoren van trajectdivergentie (voorspellingonzekerheid).
Real-world Toepassing (Menselijke Gang):
- Toegepast op 150-dimensionale loopsignalen (3 assen $\times$ 50 tijdsvertragingen), werd het model getraind om toekomstige toestanden te voorspellen uit waarnemingen in het verleden.
- Het model produceerde stabiele trajecten over een testhorizon drie keer zo lang als het trainingsinterval.
- Voorspellingsfouten bleven begrensd, met een Root Mean Square Error (RMSE) van ongeveer 12–14% van het signaalamplitude-bereik.
- Het model slaagde erin de quasi-periodieke aard van de gang vast te leggen zonder aanzienlijke drift op te hopen.

Betekenis en Claims
Het artikel beweert dat complexe producteenheidsnetwerken een haalbaar alternatief bieden voor bibliotheekgebaseerde methoden voor het ontdekken van dynamische systemen, met name wanneer de functionele vorm onbekend is of niet-geheeltallige machten omvat. De aanpak toont aan dat:

Exacte bestuurende vergelijkingen uit data kunnen worden hersteld zonder voorafgaande kennis van de kandidaatfunctieset.
De methode zich op natuurlijke wijze uitbreidt naar fractionele machtswetten, die moeilijk te hanteren zijn met standaard schaarse regressiebibliotheken.
Het model stabiele, gebonden voorspellingen kan genereren voor hoogdimensionale, ruizige real-world systemen (zoals menselijke gang), zelfs wanneer analytische vergelijkingen niet beschikbaar zijn.

Beperkingen en Toekomstig Werk
De auteurs erkennen verschillende beperkingen:

Gevoeligheid voor Hyperparameters: Het aantal producteenheden moet van tevoren worden gespecificeerd en moet ten minste gelijk zijn aan het aantal dominante termen; hoewel trainingsverlies kan wijzen op modeladequaatheid, blijft automatische bepaling een open uitdaging.
Interpreteerbaarheid versus Dimensionaliteit: In hoogdimensionale toepassingen (bijvoorbeeld ganganalyse met ~46.000 parameters) verslechtert de schaarse, menselijk leesbare aard van de oplossing.
Ruisrobustheid: De methode vereiste laagdoorlaatfiltering voor loopdata, en een systematische evaluatie van de robuustheid ten opzichte van meetruis is noodzakelijk.

Toekomstig werk zoals voorgesteld door de auteurs omvat het ontwikkelen van adaptieve methoden om het aantal producteenheden automatisch te bepalen, het uitbreiden van het kader naar partiële differentiaalvergelijkingen, en het uitvoeren van systematische evaluaties voor biomedische toepassingen zoals valdetectie of identificatie van gangafwijkingen.