Прогнозирование стохастических динамических систем остаётся сложной задачей: шум может вызывать качественно новые явления, такие как индуцированные шумом переключения между состояниями. Существующие подходы либо требуют точной модели (например, уравнения Фоккера-Планка), либо плохо обобщаются на системы с памятью. Резервуарное вычисление зарекомендовало себя как мощный инструмент для детерминированных систем, но его прямое применение к стохастическим системам приводит к быстрому расхождению прогнозов. Работа заполняет этот пробел, предлагая модель, которая учится на данных без знания уравнений.
Авторы строят гибридную схему: сначала резервуарный компьютер обучается на множестве траекторий системы, выдавая одношаговые прогнозы. Затем нормализующий поток оценивает распределение ошибки между прогнозом и истинным значением на каждом шаге. Во время прогнозирования на каждом шаге к выходу резервуара добавляется случайная поправка, сгенерированная из этого распределения. Такой подход позволяет корректировать накопление ошибок и сохранять статистические свойства процесса. Резервуар имеет 500–1000 узлов, гиперпараметры подбираются байесовской оптимизацией. Нормализующий поток использует рационально-квадратичные нейронные сплайны с авторегрессионной структурой.
Метод проверен на семи системах, охватывающих линейные и нелинейные, марковские и немарковские, стационарные и нестационарные процессы. Для процесса Орнштейна-Уленбека RC-NF точно воспроизводит распределение вероятностей на длительных интервалах, в отличие от чистого RC, который быстро расходится. Для системы с двумя ямами метод воспроизводит скорость переходов между метастабильными состояниями с ошибкой менее 0.001. Для стохастической системы Лоренца RC-NF даёт расстояние Вассерштейна 0.0266 против 0.0479 у чистого RC и лучше воспроизводит максимальный показатель Ляпунова (медиана 2.5622 против 1.8525 у RC при истинном 2.5557). Метод также успешно воспроизводит смешанные колебания и релаксационные осцилляции.
Работа показывает, что комбинация резервуарного вычисления с вероятностной моделью ошибки позволяет преодолеть фундаментальное ограничение RC при работе с шумом. В отличие от соседних работ, которые либо рассматривают шум как внешнее возмущение, либо требуют специального отбора траекторий, предложенный метод напрямую работает с внутренним шумом системы и не накладывает ограничений на данные. Это открывает путь к прогнозированию сложных стохастических систем без знания их уравнений.
Возможные направления включают расширение на мультипликативный и негауссовский шум, исследование более сложных динамических режимов, таких как бифуркационные переходы, и применение более продвинутых архитектур резервуаров. Также важно изучить, можно ли добиться сильной сходимости прогнозов, а не только слабой (в смысле распределений).
Метод может быть полезен в климатологии, нейронауке, финансовой математике и других областях, где нужно прогнозировать стохастические процессы по данным.
Проверить метод на реальных данных, например, климатических рядах или биологических сигналах, и расширить его на системы с мультипликативным шумом.
Работа напрямую связана с проблемой долгосрочного прогнозирования стохастических систем и воспроизведения редких событий, таких как переходы между метастабильными состояниями, что остаётся открытой задачей в теории стохастических процессов.
Метод RC-NF воспроизводит скорость переходов в системе с двумя ямами с точностью до третьего знака после запятой, что сопоставимо с точностью прямого численного моделирования.