技术摘要：关注你的邻居：利用局部相空间信息训练统计准确的混沌系统

问题陈述

数据驱动的动态系统发现方法在应用于混沌系统时面临根本性挑战。虽然通过标准轨迹优化训练的“黑盒”代理模型（如神经微分方程）能够匹配观测到的短期轨迹，但它们往往无法在更长的时间范围内准确捕捉底层动力学。这是由于混沌系统对初始条件和模型参数具有指数敏感性；微小的建模误差会导致轨迹迅速发散，使得精确的长期预测变得不可能。

因此，学术界已转向训练“统计准确”的模型，即这些模型能够复现真实系统的长期不变物理测度（例如吸引子几何形状和统计矩），即使个别轨迹发生发散。然而，现有的统计方法往往忽略了流的局部几何属性，特别是控制局部膨胀和收缩率的雅可比矩阵。相反，专注于雅可比准确性的方法通常依赖于对真实导数的“神谕”访问，或者无法保持长期的统计一致性。因此，亟需一种框架，能够在无需真实导数标签的情况下，同时实现准确的长期统计行为并捕捉局部动力学属性（雅可比矩阵）。

方法论

作者提出了一种针对神经微分方程（Neural ODEs）的新型训练框架，旨在弥合全局统计准确性与局部动力学保真度之间的差距。其核心思想是通过分析动力学如何输运和变形混沌吸引子的局部邻域（覆盖），从全局视角转向局部视角。

1. 局部覆盖与前推测度

该方法不再单纯优化轨迹匹配或全局不变测度，而是利用数据点构建混沌吸引子的有限覆盖 $\{U_i\}$。训练目标在于确保神经微分方程能够复现这些局部集合在真实动力学下的前推测度（pushforward measure）。具体而言，该方法强制要求：在代理模型下从邻域 $U_i$ 演化出的点分布，必须与在真实动力学下从同一邻域演化出的点分布相匹配。

2. 邻域构建与噪声鲁棒性

为了处理观测噪声，作者将邻域定义为环形区域（annuli），具有内半径 $r_{min}$ 和外半径 $r_{max}$，而非简单的球体。

• $r_{min}$ 被设定为估计噪声标准差的倍数，以避开时间演化被掩盖的“噪声基底”。
• $r_{max}$ 的选择使得每个邻域包含约 5% 的总数据集点，以防止对稀疏局部数据的过拟合。
• 邻居通过 KD-Tree 高效识别。

3. 基于泰勒展开的演化

该方法不直接演化各个邻居点（这计算成本高且对积分误差敏感），而是利用神经微分方程向量场的泰勒展开，相对于中心点演化扰动。
中心点 $u_j$ 与其邻居 $u_{j,k}$ 之间的扰动 $\omega_k$ 根据以下公式演化：
$$\frac{d}{dt} \begin{bmatrix} \tilde{u} \\ \tilde{\omega}_k \end{bmatrix} = \begin{bmatrix} f_\theta(\tilde{u}) \\ \partial f_\theta|_{\tilde{u}} [\tilde{\omega}_k] + \frac{1}{2}\partial^2 f_\theta|_{\tilde{u}} [\tilde{\omega}_k, \tilde{\omega}_k] \end{bmatrix}$$
该公式明确纳入了学习到的向量场的一阶和二阶导数，使模型能够学习相空间的局部形变。

4. 损失函数

训练目标最小化一个复合损失函数：
$$L(\theta) = L_{traj}(\theta) + \lambda \cdot \ell_{neighbor}$$

• $L_{traj}$：标准的基于轨迹的损失（均方误差），以确保短期准确性。
• $\ell_{neighbor}$：成对损失，量化真实值与代理模型在演化后的邻域上前推测度之间的差异。该差异使用**最大均值差异（MMD）**的平方计算。
• 理论依据：作者证明，如果前推测度在吸引子的可数覆盖上达成一致，则全局物理测度必然相同（定理 1）。

主要贡献

1. 新颖框架：提出了一种神经微分方程训练方法，通过正则化局部相空间邻域的演化，联合优化长期统计准确性与局部动力学属性（雅可比矩阵）。
2. 噪声鲁棒设计：开发了一种环形邻域策略和基于扰动的演化方案，能够有效处理观测噪声，这对于真实世界应用（其中无法获取真实导数）至关重要。
3. 理论联系：证明了在覆盖上强制执行局部测度一致意味着全局测度不变性，从而在局部雅可比学习与全局统计准确性之间架起了理论桥梁。
4. 实际实现：一种完全可微的算法，无需对真实雅可比矩阵进行“神谕”访问，使其适用于真实世界数据。

实验结果

该方法在三个不同维度的混沌系统上进行了评估：3D Lorenz 63 系统、4D 超混沌 Chen 系统和 6D Lorenz 96 系统。实验使用了被高斯噪声污染的训练数据（噪声强度分别为 1%、5% 和 10%）。提出的方法（“邻域法”）与以下方法进行了比较：

• Vanilla：标准的基于轨迹的神经微分方程训练。
• DySLIM：一种优化全局不变测度的最先进方法。

发现：

• 短期准确性：邻域法保持了与 DySLIM 相当的预测有效时间（VPT），并显著优于 Vanilla 训练，特别是在高噪声条件下，表明其具有有效的抗过拟合正则化作用。
• 长期统计准确性：该方法成功学习了吸引子的不变测度。虽然 DySLIM 在某些指标上实现了略高的统计准确性（由于其直接优化全局测度），但邻域法仍保持高度竞争力。
• 局部动力学（雅可比矩阵）：与 Vanilla 和 DySLIM 相比，邻域法在所有噪声水平和系统上均表现出显著改善的雅可比矩阵准确性。这通过更低的相对雅可比误差和更准确的向量场重构得到了证实，特别是在 Lorenz 63 吸引子的叶瓣切换机制等敏感区域。
• 李雅普诺夫指数：作为改进雅可比学习的直接结果，该方法在测试方法中产生了最准确的李雅普诺夫指数估计值，即使在噪声环境下也能正确捕捉正负指数。

意义与主张

本文主张，“邻域”方法通过明确考虑局部相空间结构，为从噪声数据中学习混沌动力学提供了一种鲁棒的解决方案。作者认为，虽然以前的方法要么专注于全局统计，要么需要“神谕”雅可比矩阵，但这种方法成功弥合了这两种范式。

其意义在于能够训练不仅统计准确（保持吸引子形状）而且动力学忠实（保持局部膨胀/收缩率）的代理模型。这种双重能力对于需要理解局部不稳定性的应用至关重要，例如识别复杂系统（如大脑）中的相互作用子域或估计可预测性。作者将这项工作定位为利用局部相空间信息训练神经微分方程的基础性步骤，并指出未来的工作可以将其扩展到更高维度和部分可观测系统。