Случайные толчки с памятью: как из данных вытащить законы системы ✛ ✎

Оригинал: "Colored-LIM: A Data-Driven Method for Studying Dynamical Systems with Temporally Correlated Stochasticity"
arXiv:2402.15184 · 2024-02-23 · arXiv non-exclusive · собственный разбор · 1 мин
Новый метод Colored-LIM помогает увидеть, как случайные воздействия с памятью управляют сложной системой, используя только записи наблюдений.

Переводчик отвлекается на каждый шорох в зале, и час совещания превращается в два. Так и сложная система, например океан, получает случайные толчки, которые не исчезают сразу, а тянутся за собой, как эхо. Раньше учёные считали, что толчки не помнят друг друга, как удары капель дождя по крыше. Но в реальности у них есть память, и старые методы ошибались.

Белый шум — это случайные толчки без памяти, как капли дождя. Цветной шум — толчки с памятью, как порывы ветра, которые налетают сериями.

Новый метод Colored-LIM учится слышать это эхо. Он смотрит на записи наблюдений, например на температуру океана, и вычисляет, как связаны между собой случайные толчки и поведение системы. Оказалось, что даже крошечная память шума сильно меняет картину. Метод проверили на данных Эль-Ниньо — тёплого течения, влияющего на погоду. Он показал, что атмосферные воздействия помнят себя около двух месяцев, и прогнозы стали точнее.

Метод также применили к энергопотреблению университета. Он выделил суточный цикл с периодом 22,7 часа, что соответствует активности людей, и нашёл здания с необычным потреблением. Это помогает лучше управлять энергией и понимать сложные системы, от эпидемий до землетрясений. Теперь случайный шум не мешает, а помогает узнать, как устроен мир.

В пределе белого шума (τ → 0) Colored-LIM не переходит в классический LIM: корреляционная функция цветного шума имеет нулевую производную в нуле, тогда как у белого шума производная скачет. Это означает, что даже сколь угодно малая, но конечная память шума принципиально меняет поведение системы вблизи нулевого лага.

0 = A C_{xx} + C_{xx} A^T + Q B^T + B Q
Связывает динамическую матрицу A, ковариацию Cxx, диффузионную матрицу Q и резольвенту B = (I - τA)^{-1}, обобщая классическое соотношение на случай цветного шума.
K''(0) = \frac{1}{2} \left[ A \left( K'(0) + \frac{1}{\tau} C_{xx} \right) + \left( K'(0)^T + \frac{1}{\tau} C_{xx} \right) A^T \right]
Выражает кривизну корреляционной функции в нуле через динамическую матрицу, ковариацию и первую производную, что позволяет оценить A при известном τ.
K'''(0) = \frac{1}{2} \left[ \frac{1}{\tau^2} K'(0) + A \left( K''(0) - \frac{1}{\tau^2} C_{xx} \right) - \frac{1}{\tau^2} K'(0)^T - \left( K''(0) - \frac{1}{\tau^2} C_{xx} \right) A^T \right]
Используется вместе с K'(0) и K''(0) для однозначного определения динамической матрицы A, когда A не является отрицательно определённой.
Понятия
линейная инверсная модель цветной шум стохастическое моделирование моделирование биологических ритмов размеченные данные стохастическая динамическая система динамические системы нелинейная динамика нелинейный спектральный анализ Лапласиана контрастивное обучение линейная регрессия вероятностная модель статистический метод неинвазивная динамическая визуализация смоделированные данные шумоподавление самонаблюдаемое обучение физически информированная нейронная сеть методы регуляризации большие языковые модели