🤖 machine learning

A Finite Expression Method for Solving High-Dimensional Committor Problems

本文提出使用有限表达式方法（FEX），该方法利用强化学习来发现最优代数表达式，将其作为一种有效且具有可解释性的工具，用于解决过渡路径理论中高维提交器问题，与基于神经网络的方法相比，该方法提供了更高的准确性以及降低问题维度的能力。

原作者： Zezheng Song, Maria K. Cameron, Haizhao Yang

发布于 2026-01-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Zezheng Song, Maria K. Cameron, Haizhao Yang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正站在一片雾气缭绕的广袤山脉中，面前有两个截然不同的山谷：A谷（你的起点）和B谷（你的目的地）。地形是由“势能”图绘制的，这意味着有些路径平坦易行，而有些则陡峭艰难。你想知道：如果我从这个特定的位置出发，在回到A谷之前到达B谷的概率是多少？

在物理学和化学领域，这个问题被称为判别子问题（Committor Problem）。它能帮助科学家理解那些罕见事件，比如蛋白质如何折叠成正确的形状，或者晶体如何破碎。

你提供的论文介绍了一种名为**有限表达式方法（Finite Expression Method, FEX）**的新型巧妙工具，用于解决这个问题，特别是当这个“山脉”拥有如此多的维度（移动方向）以至于无法使用传统工具进行绘图时。

以下是利用简单类比对论文思想进行的拆解：

1. 问题所在：“维度之咒”

把标准的地图想象成一张二维纸张。如果你想绘制一张十维山脉的地图，传统方法（如有限元法）会尝试构建一个网格，就像一个巨大的三维棋盘，只不过它有十个维度。

问题在于： 随着维度的增加，所需的网格方块数量会呈爆炸式增长。对于一个十维问题，你需要的网格点可能比宇宙中的原子还要多。这就是“维度之咒”。这使得计算成本过高且速度极慢。
旧的解决方案： 科学家开始使用神经网络（人工智能）。它们就像“黑盒”，通过观察数百万个数据点来学习并猜测答案。它们很擅长，但通常只能给你一个无法阅读也无法理解的“黑盒”公式。

2. 新的解决方案：FEX（“乐高”法）

作者提出了一种名为 FEX 的新方法。FEX 不使用黑盒 AI，而是尝试使用一组特定的数学乐高积木来构建答案。

类比： 想象你正在试图描述一个复杂的形状。
- 神经网络 就像一位雕塑家，不断从石块上凿去多余的部分，直到形状看起来正确为止。你得到了形状，但你不知道他们是如何做到的。
- FEX 则像一个拿着乐高积木的孩子。孩子被告知：“只使用这些特定的积木（正弦、平方、加、减等）来搭建一座房子。”孩子尝试不同的组合，直到房子看起来完美无缺。
它是如何工作的： FEX 构建了一个数学运算的“树”。它从变量（如 $x_1, x_2$ ）开始，并通过运算符（如 $+$ , $\sin$ , $\times$ ）将它们连接起来。它使用一个聪明的“教练”（强化学习）来告诉孩子下一步该选哪块积木。

3. 超能力：寻找“秘密代码”

这篇论文最令人兴奋的部分不仅在于 FEX 解决了问题，还在于它如何解决问题。

神奇之处： 当神经网络解决问题时，它给出的可能是一个混乱、难以阅读的公式。但因为 FEX 是从简单的、可读的数学积木构建答案的，它往往能发现答案的真实结构。
结果： 在测试中，FEX 意识到：“嘿，虽然这座山有十个维度，但答案实际上只取决于一个特定的方向！”
- 一旦 FEX 识别出这一点，它就可以丢弃其他九个维度。
- 这将一个超难的十维问题转化为了一个超简单的、可以实现完美精度的的一维问题。
- 类比： 想象你在一个十维的干草堆里找一根针。神经网络可能会说：“它就在中间附近。”而 FEX 会观察干草堆并说：“实际上，这根针只在上下移动。让我们完全忽略左右和前后方向吧。”

4. 实验：它的表现如何？

作者在几个已知的困难“基准”山脉（数学问题）上测试了 FEX：

双阱势能（Double-Well Potential）： 一个具有两个山谷的景观。
同心球体（Concentric Spheres）： 在两个嵌套的球体之间移动。
崎岖地形（Rugged Landscapes）： 非常颠簸、复杂的地形。

研究结果：

准确性： FEX 的表现与最好的神经网络求解器一样出色，甚至更好。
理解力： 与神经网络不同，FEX 生成的公式是人类可以阅读和理解的。
降维能力： 在那些实际情况很简单（仅取决于一两个变量）的情况下，FEX 自动发现了这种简洁性。它不仅仅是在猜测答案，它还弄清了游戏的规则。

总结

该论文声称 FEX 是解决高维概率问题的强大新工具。它通过寻找一个简单的、可读的数学公式（就像是用数学词汇组成的句子），而不是依赖复杂的、不可读的 AI 模型来工作。

它最大的优势在于它可以为你简化问题。如果答案仅取决于少数几个变量，FEX 就能发现这一点，从而允许科学家使用传统、可靠的数学方法以极高的精度解决问题，而不是依赖于“黑盒”式的 AI 猜测。

技术摘要：一种用于求解高维 Committor 问题的有限表达式方法

问题陈述
本文解决了求解高维随机系统（特别是过阻尼朗之万过程）中 committor 问题的计算挑战。Committor 函数 $q(x)$ 代表系统从点 $x$ 出发，在到达状态 $A$ 之前先触及亚稳态 $B$ 的概率。在数学上， $q(x)$ 是受特定边界条件约束的反向柯尔莫哥洛夫方程（backward Kolmogorov equation）的解。虽然这对于量化稀有事件、转变速率和反应通道的过渡路径理论（TPT）至关重要，但在高维（ $d > 3$ ）情况下数值求解该方程极其困难，存在“维度灾难”。传统的基于网格的方法（有限差分、有限元）随着维度的增加而变得极其昂贵。现有的机器学习方法主要基于深度神经网络（DNN），虽然提供了无网格的替代方案，但通常表现为缺乏可解释性的“黑盒”，且难以识别解的底层代数结构。

方法论：有限表达式方法 (FEX)
作者提出将最初由 Liang 和 Yang (2022) 为通用偏微分方程（PDEs）引入的有限表达式方法（FEX）应用于 committor 问题。与使用固定架构的连续可微函数来近似解的 DNN 不同，FEX 寻求将解表示为一个由固定数量的非线性函数和二元算术运算组成的符号数学表达式。

其核心工作流程包括：

表示： 解被表示为一个预定义深度（通常为 4–6 层）的二叉树。树中的每个节点对应一个一元算子（如 $\sin, \exp, \text{Id}$ ）或二元算子（如 $+, \times, \div$ ）。叶节点包含输入变量或常数。
优化公式化： 将 committor 问题转化为变分极小化问题，即最小化一个基于不变密度加权的狄利克雷能量（Dirichlet energy）的损失泛函。目标是找到最优的算子序列及其相关的数值系数（缩放参数和偏置参数），以使该损失最小化。
混合组合优化： 求解最优树结构是一个混合组合与连续优化问题。
- 组合方面： FEX 采用强化学习（RL）控制器（一个神经网络）来搜索最优的算子序列。控制器为每个树节点输出选择算子的概率分布。
- 连续方面： 一旦采样了算子序列，便使用基于梯度的算法（Adam 和 BFGS）对数值系数进行优化。
- 训练循环： 通过策略梯度方法更新控制器，以最大化生成的表达式的预期“得分”（损失函数的倒数）。同时维护一个表现最优的候选表达式池并对其进行微调。
处理奇异性： 对于涉及边界附近奇异行为的问题（例如同心球体），模型会通过已知的基本解（例如 $1/|x|^{d-2}$ ）乘以 FEX 树来进行增强，以捕捉正确的渐近行为。

主要贡献与结果
作者在多个高维基准测试问题上评估了 FEX，包括具有超平面和亚层集边界的双阱势、同心球体、崎岖的 Mueller's 势以及丁烷（butane）。结果突出了两个主要贡献：

竞争性的精度： 在基准测试问题中，FEX 达到了与最先进的神经网络求解器相当或更好的精度。例如，在 $\beta=10.0$ 且具有亚层集边界的双阱势问题中，FEX 实现了 $0.009 $的相对$ L_2 $误差，而神经网络方法的误差为$ 0.021$。
结构识别与降维： 最显著的发现是 FEX 能够正确识别解的代数结构。该方法能自动确定 committor 函数依赖于哪些变量，以及不依赖于哪些变量。
- 在具有超平面边界的双阱势问题中，尽管问题是在 10 维中定义的，FEX 正确识别出解仅依赖于第一个坐标 $x_1$ 。
- 在亚层集边界案例中，它识别出了对 $x_1$ 和径向距离 $r = \sqrt{\sum x_i^2}$ 的依赖关系。
- 这种能力允许将高维问题简化为低维问题（例如 1D 或 2D）。一旦完成降维，即可应用传统的极高精度方法（如切比雪夫谱方法或有限元方法）来达到机器精度（ $10^{-16}$ ），而标准的 DNN 方法由于无法显式揭示解的函数形式，是无法实现这一点的。

意义与主张
作者声称，这项工作的核心意义在于 FEX 的可解释性和结构发现能力。虽然其他高维求解器（包括 DNN 和张量列方法）可以近似解的值，但它们通常无法揭示系统的底层代数依赖关系或对称性。FEX 弥合了数据驱动近似与符号学习之间的鸿沟，使研究人员能够：

将复杂的高维问题简化为易于处理的低维问题。
通过求解简化后的问题来获得任意精度的解。
通过分析识别出的代数表达式来获取物理洞察。

文章最后指出，虽然 FEX 需要仔细的设置（选择树深度、算子集和训练参数），但其揭示 committor 函数“真实”代数结构的能力，使其成为分析高维随机系统中稀有事件的强大工具。

1. 问题所在：“维度之咒”

2. 新的解决方案：FEX（“乐高”法）

3. 超能力：寻找“秘密代码”

4. 实验：它的表现如何？

总结

技术摘要：一种用于求解高维 Committor 问题的有限表达式方法

类似论文