Nat. Mach. Intell.速递：深度学习预测速率诱导的临界点

原创 集智编辑部 集智俱乐部

关键词：复杂动力系统，临界转变，深度学习，早期预警

论文题目：Deep learning for predicting rate-induced tipping 论文地址：https://www.nature.com/articles/s42256-024-00937-0 期刊名称：Nature Machine Intelligence

在气候变化、生态系统演变等复杂系统研究中，科学家们一直在寻找预测系统突变的有效方法。近期发表于Nature Machine Intelligence的一篇开创性研究为预测系统“速率诱导临界转变”（rate-induced tipping，简称 R-tipping）提供了全新的深度学习解决方案。

传统上，科学家通过“临界慢化”（Critical Slowing Down，CSD）理论来预测系统临界转变。然而，当外部驱动力变化速率远超系统内部特征时间尺度时，这一理论将失效。以气候变化为例，人类活动引起的气候变化速率可能远超地球系统关键组成部分（如极地冰盖或大西洋经向翻转环流）的内部响应时间，这使得系统面临严重的“速率诱导临界转变”风险。

这项研究开发了一个深度学习框架，能够预测动力系统在外部驱动力快速变化和随机扰动下的转变概率。通过对三个典型系统的研究，他们证明了这一方法的有效性。与传统方法不同，这个深度学习模型能够捕捉系统状态的微妙变化，并给出系统即将发生临界转变的提前预警。更为关键的是，作者还利用可解释人工智能方法，揭示了系统临界转变前的“特征指纹”。这些指纹不仅能够在早期检测系统状态变化，还能在长时间尺度上提供预警。研究表明，即便在复杂的动力系统中，速率诱导临界转变仍然是可预测的。

这一突破具有重大意义。在气候变化、生态系统演变等领域，科学家们现在有了一种更加精确的工具，可以评估系统临界转变的风险。这不仅有助于理解复杂系统的动态变化机制，还为制定更有针对性的减缓和适应策略提供了科学依据。

图1. 通过吸引盆中的粒子系统可视化R-tipping。

图2. 典型R-tipping系统的系综模拟结果。

图3. 示例系统上基于深度学习的 R-tipping 预测。

图4. 显著性图谱，用于解释用于预测 R-tipping 的 DL 模型提取的指纹特征。

龚铭康 | 编译

原标题：《Nat. Mach. Intell.速递：深度学习预测速率诱导的临界点》

阅读原文