Geometry-Agnostic Data-Driven Discovery of Extreme Scenarios
本文介绍了一种两阶段、几何无关的神经框架，该框架直接从观测数据中推断动力学约束，从而在无需预先知晓控制方程的情况下，跨越不同维度和几何流形发现并迁移稀有的、高影响力的相干结构——例如孤子和瞬子。
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
自然界常常以极端的强度令我们感到惊讶。在大海中，单个流氓波可以高过整个船队；在大气中，突如其来的风暴可以颠覆气候模型；在金融市场中，一场崩盘可以在一天之内抹去多年的增长。这些事件是罕见的、往往是局部的，且难以预测，因为它们并不遵循系统的平均行为。它们是离群值，由于其本质，极少出现在我们收集的数据中。如果科学家只在正常条件下观察一个系统，他们可能永远无法看到一切失控的时刻。这产生了一个根本性的问题：我们如何去理解或准备应对那些我们的观测从未展示过的事件？
一个研究小组开发出一种新方法来回答这个问题，即教计算机去想象这些缺失的情景。研究人员并没有试图写下支配系统的精确物理定律——对于复杂的现实世界现象来说，这通常是一项不可能完成的任务——而是训练计算机直接从平凡的观测中学习这些规律。一旦计算机理解了系统的基本规则，研究人员就要求它去寻找一种特定类型的罕见事件：一种符合这些规则但从未被见过的、突然且剧烈的能量爆发。其结果是一种能够预测复杂系统中极端事件的方法，甚至是在人类从未能够进行测量的空间或维度中。
研究人员使用一系列日益复杂的示例测试了他们的方法，首先是一个表现得像带有某种扭转的摆动单摆的简单系统。在第一次测试中，他们向计算机输入了来自标准、可预测运动的数据。计算机学习了运动的底层规则，而无需被告知这些规则是什么。然后，研究人员要求计算机在这些规则中寻找一种特定的、罕见的模式：一种从无到有、激增至高峰、然后又回归于无的脉冲。这被称为同宿脉冲（homoclinic pulse），是许多物理系统中都会出现的极端事件类型。计算机成功找到了这种脉冲，并以极高的精度匹配了已知的数学解。至关重要的是，当研究人员尝试在一种根本无法支持此类脉冲的系统中进行同样的过程时，计算机正确地未能找到它，这证明了它不仅仅是在猜测，而是真正理解了系统的极限。
然而，这种方法的真正力量在于它能够超越其所接收数据的几何结构。在物理世界中，无论你如何测量或你在多少个方向上观察，自然法则看起来都是一样的。研究人员构建了他们的计算机模型以尊重这一事实，教它学习独立于任何特定网格、坐标系或维度的规则。为了证明这一点，他们将从一维线段中学习到的规则交给计算机，并要求它在二维空间（如一张平坦的薄片）中寻找类似的极端事件。计算机成功识别出一种被称为汤斯孤子（Townes soliton）的稳定、自聚焦波模式，这种模式存在于二维空间中，但从未出现在用于训练系统的的一维数据中。这表明计算机已经学习了物理学的基本本质，使其能够将知识投射到更高维度的世界中。
在最宏大的测试中，研究人员将这种技术应用于一个涉及时空本身的系统。他们利用具有一个空间维度和一个时间维度的系统数据来训练计算机，这种设定类似于我们日常经历的时间推进过程。然后，他们要求计算机在一个完全不同的几何设定中寻找解：一个具有两个空间维度且没有时间的系统。这种数学变换常用于理论物理学，以研究无法直接观察到的现象。计算机成功地将它从基于时间的系统中学习到的规则转移到了仅基于空间的系统中，并识别出一种被称为瞬子（instanton）的特定、罕见结构。这种结构是存在于实验无法触及的领域中的解，但计算机仅凭其所学定律的几何一致性就找到了它。
这项工作表明，我们不需要观察到极端事件才能理解它或预知其存在。通过教机器从平凡的数据中学习系统的深层、不变的规则，我们可以利用这些机器去探索可能的边界。该方法不需要先验知识来了解控制方程，也不需要亲眼见过那个罕见事件才能知道它的存在。它只是学习系统的语言，然后询问：有哪些句子在语法上是正确的，但从未被说出过。这种能力为风险分析和预测开辟了一条新路径，允许科学家在从流体力学到金融市场的各个领域中，去搜寻那些最具影响力的情景，即便这些情景存在于超出我们直接触及能力的维度或几何空间之中。
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。