Learning piecewise-smooth dynamical systems
本文提出了一个用于从轨迹数据中发现分段光滑动力系统的模块化框架，该框架通过结合切换超平面可辨识性的统计分析与几何约束神经网络，来学习控制方程并表征诸如滑动运动等不连续行为。
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
在物理世界中，许多系统的行为并非逐渐变化的。一个被推过地板的重箱子并不会从一开始就平滑地滑动；它会静止不动，抵抗每一次推力，直到力量大到足以打破静态摩擦力，然后它才会突然移动。一个僵硬的门铰链不会以流动的动作转动，而是以微小的、跳跃式的步进进行卡顿和释放。这些都是系统在不同行为模式之间切换的例子。在数学中，这类系统由在每个模式内平滑且可预测、但在跨越特定边界时发生突变的规则来描述。这些边界不仅仅是图表上的线条；它们是物理上的阈值，例如摩擦力让位于运动的时刻，或是气候系统从一种稳定状态转向另一种稳定状态的时刻。理解这些系统对于设计机器人的工程师、模拟冰河时期的气候学家，以及任何试图预测复杂机器在达到极限时如何表现的人来说都至关重要。然而，当科学家试图从观测数据中学习这些系统的规则时，他们面临着一个独特的挑战：如果他们找错了边界的位置，无论他们对两侧的运动理解得多么透彻，整个预测都会失败。
剑桥大学和巴斯大学的一个研究小组开发出一种新方法来解决这个问题。他们的工作重点是直接从轨迹数据（即系统随时间运动的记录）中发现这些“分段光滑”系统的隐藏规则。研究人员并没有试图一次性猜测整个系统，而是将任务分为两个截然不同的阶段。首先，他们寻找边界本身。他们分析记录的路径，寻找速度或方向的突然跳变，这些跳变是系统跨越阈值的信号。通过使用一种稳健的统计技术，他们过滤掉由粗糙数据引起的噪声和虚假警报，从而精确确定这些无形分界线的确切位置和角度。一旦边界的几何结构确定，第二阶段便开始了。随后，研究人员教计算机模型学习被这些边界分隔开的每个区域内的特定运动规则。至关重要的是，他们设计的计算机模型在物理上不可能创造出新的、虚假的边界。该模型被迫尊重第一阶段创建的地图，仅学习系统在允许区域内的运动方式。
研究人员在几个现实世界的场景中测试了这种两阶段方法，包括一个模拟物体在粗糙表面滑动时的粘滑运动（stick-slip motion）的机械振荡器，以及一个描述数千年中冰河期循环的复杂气候模型。在气候模型中，系统在二氧化碳缓慢吸收和突然释放的周期之间切换，这一过程驱动了冰盖的增长与退缩。在每一次测试中，该方法都证明了其高度的有效性。当研究人员预先知道真实的边界时，他们的模型能以极高的精度学习运动，重现系统的行为，其误差远小于标准的平滑模型。更令人印象深刻的是，当他们必须利用带有噪声的数据从头开始发现边界时，该方法仍然成功了。它正确识别了切换平面的位置，并学习了动力学特征，足以预测系统未来数百个时间步的路径。结果表明，通过将“寻找地图”的任务与“学习旅程”的任务分离，研究人员可以构建出不仅更准确，而且更高效的模型，使用的计算资源也显著少于传统方法。
研究还揭示了学习能力的极限。研究人员发现，当系统确实以足够的力度跨越边界并产生清晰信号时，该方法效果最好。如果系统仅仅是擦过边界或极其缓慢地跨越边界，信号就会变得太弱，难以从背景噪声中分辨出来，此时该方法在寻找线条方面会显得吃力。然而，当跨越过程清晰明确时，该方法是非常稳健的。团队展示了他们的新架构可以以任意精度逼近这些系统的复杂跳变行为，前提是边界已知或被正确识别。这代表了科学机器学习领域迈出的重要一步，该领域的目标是构建能够尊重已知物理结构的模型的系统，而不仅仅是记忆数据中的模式。通过明确教导计算机去寻找并尊重规则发生变化的地方，研究人员创造了一个工具，可以揭示那些跳跃、滑动和切换系统的隐藏逻辑，为从干摩擦到地球气候变化的各种机制提供了一个更清晰的观察窗口。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。