Как выудить законы природы из шума экспресс
Диктофонная запись городской площади. Слышен гул толпы, шаги, обрывки разговоров, шум машин. Где-то в этом месиве звуков уличный музыкант играет простую мелодию на флейте. Услышать её непросто — слишком много всего намешано.
Примерно такую задачу решает новый алгоритм с именем Edwin (максимально-энтропийное сжатие с открытием интерпретируемых нелинейных моделей). Он берёт многомерные данные — например, сотни показателей с датчиков или тысячи пикселей видео — и ищет в них скрытую простоту. Сначала алгоритм сжимает данные до нескольких ключевых переменных, словно выделяя чистый звук флейты из шумной записи. Затем выводит уравнения, которые описывают, как эти переменные меняются во времени. И всё это — без потери связи с реальностью: каждая переменная остаётся привязанной к измеримым величинам, а не становится абстрактным числом.
Авторы проверили метод на шести разных системах. Среди них — случайное блуждание частиц, самосборка молекул, пульсация группы нейронов и даже реальный эксперимент с комплексами РНК и липосом, где данные были зашумлены. В каждом случае Edwin выдал короткое уравнение, которое не просто подгонялось под цифры, а имело физический смысл. Например, для диффузии он вывел закон, похожий на уравнение теплопроводности, а для нейронов — модель, напоминающую маятник с трением.
Главный сюрприз — предсказательная сила. Модели, найденные на одних условиях, работали и в других, на которых алгоритм не учился. Это как если бы, услышав мелодию в одном темпе, вы узнали её и в другом, и в исполнении другого инструмента. Значит, Edwin действительно улавливает суть явления, а не просто запоминает данные.
Такой подход может изменить способ, которым учёные ищут законы в сложных системах — от климата до биологических сетей. Вместо того чтобы гадать, какие переменные важны, и вручную подбирать уравнения, можно доверить это алгоритму, который действует как опытный слушатель, вычленяющий мелодию из шума.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2605.16724
Models (i.e., governing equations) are fundamental to science and engineering. Advances in data acquisition now make it possible to extract interpretable, low dimensional descriptions from high dimensional observations. However, existing approaches sacrifice either interpretability for reconstruction accuracy or infer symbolic dynamics without relating latent coordinates to physically meaningful observables. Here we present Edwin (maximum entropy driven compression with interpretable nonlinear model discovery), a unified framework that simultaneously performs dimensionality reduction using the dynamic maximum entropy (DME) principle and discovers sparse symbolic models governing latent dynamics, as well as the coupling between learned features and external metadata. We validate Edwin on diverse simulated systems, including stochastic diffusion, the Ornstein-Uhlenbeck process, self assembling particles, spiking neural populations, and low rank recurrent neural networks, as well as on a noisy experimental time series of aggregating RNA-liposome complexes. Across all systems, Edwin recovers low dimensional symbolic models that are physically interpretable and generalize to unseen conditions. Together, these results establish Edwin as a powerful framework for inferring interpretable, low dimensional dynamics directly from high dimensional data.
Название Edwin — не аббревиатура, а отсылка к астроному Эдвину Хабблу, который открыл расширение Вселенной, выявив простую закономерность в, казалось бы, хаотичных данных о движении галактик.
В романе «Контакт» Карла Сагана инопланетяне передают чертежи машины, скрытые в шуме радиосигнала — примерно так же Edwin извлекает осмысленную структуру из хаоса.