首頁 科技週邊 人工智慧 透過深度學習預測離散時間分岔

透過深度學習預測離散時間分岔

Jul 16, 2024 pm 09:27 PM
理論

透過深度學習預測離散時間分岔

編輯 | 白菜葉
許多自然和人造系統都容易發生關鍵轉變——動態方面的突然且可能具有破壞性的變化。深度學習分類器可以透過從大型模擬訓練資料集中學習分叉的通用特徵,為關鍵轉變提供預警訊號。到目前為止,分類器僅被訓練來預測連續時間分岔,忽略了離散時間分岔所特有的豐富動態。
在這裡,麥基爾大學(McGill University)Thomas M. Bury 的研究團隊訓練一個深度學習分類器,為餘維一的五個局部離散時間分岔提供預警信號。他們使用生理學、經濟學和生態學中使用的離散時間模型的模擬數據以及經歷倍週期分岔的自發跳動的雞心聚集體的實驗數據來測試分類器。
在各種雜訊強度和接近分叉率的情況下,此分類器比常用的預警訊號表現出更高的靈敏度和特異性。它還可以在大多數情況下預測正確的分岔,尤其是倍週期分岔、Neimark-Sacker 分岔和折疊分岔的準確度特別高。
研究以「Predicting discrete-time bifurcations with deep learning」為題,於 2023 年 10 月 10 日發佈在《Nature Communications》。

透過深度學習預測離散時間分岔

關鍵轉變和預警訊號 (EWS)
  1. 關鍵轉變:
  2. 系統經歷突然、顯著的動態變化的臨界閾值。
  3. 例如:心臟節律轉變、金融市場崩潰、生態系統崩潰。
  4. 分岔理論:
  5. 研究動力系統在閾值處經歷質變。
  6. 伴隨著局部穩定性減弱(減速),導致噪音時間序列屬性變化。
  7. 這些變化可用於關鍵轉變的 EWS。
  8. 現有的 EWS:
  9. 方差和滯後 1 自相關在氣候、地質、生態和心臟系統轉變前發生變化。
  10. 預測能力有限,在某些系統中可能失敗。
  11. 深度學習 EWS:
  12. 訓練神經網路根據時間序列預測分岔類型。
  13. 從具有分叉模擬的資料庫中學習通用特徵。
  14. 由於分岔的普遍屬性,適用於不可見時間序列。

離散時間分岔的 EWS

  • 離散時間動力系統表現出與連續時間動力系統不同的行為。
  • 生理學、流行病學和經濟學中自然出現離散時間分岔。
  • 研究人員使用模擬和實驗數據測試了深度學習分類器在離散時間分岔中的表現。

週期加倍分岔:

  • 離散時間分岔類型,其中事件間隔交替出現。
  • 伴隨著減速,變異數和滯後 1 自相關發生系統性變化。
  • 已在雞心聚集體實驗和人類心臟中觀察到,可用於 EWS。

    透過深度學習預測離散時間分岔

    圖示:用鉀通道阻斷劑 (E-4031, 1.5 μmol) 處理後,自發性跳動的雞胚心臟細胞聚集體出現倍週期分叉。 (資料來源:論文)

離散時間分岔

離散時間分岔有多種類型,每種類型都有相關的動力學變化。在最新的研究中,Bury 團隊專注於餘維一的五個局部分叉。在「局部」情況下,這些分岔伴隨著嚴重的減速,因此預期會出現系統變化、變異數和自相關。

預測分岔類型

然而,並非所有這些分歧都會導致關鍵轉變。相反,它們可以平滑過渡到相交穩態(跨臨界)或逐漸增加振幅的振盪(超臨界內馬克-薩克爾)。預測分岔類型提供了有關分岔後動力學性質的信息,而變異數和自相關本身無法提供這些資訊。

深度學習分類器

該團隊訓練一個深度學習分類器,為離散時間動態系統的分岔提供特定的 EWS。他們使用附加高階項和雜訊的範式方程式的模擬資料來訓練分類器。

分類器測試

然後,該團隊在心臟病學、生態學和經濟學中使用的五個離散時間模型的模擬運行中測試分類器,並評估其相對於方差和滯後1 自相關的性能。在模型模擬中改變雜訊幅度和強迫率,從而評估 EWS 的穩健性。

實驗驗證

最後,研究人員使用經歷倍週期分岔的自發性跳動的雞心聚集體的實驗數據來測試分類器。

論文連結:

https://www.nature.com/articles/s41467-023-42020-z

以上是透過深度學習預測離散時間分岔的詳細內容。更多資訊請關注PHP中文網其他相關文章!

本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

Video Face Swap

Video Face Swap

使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

<🎜>:泡泡膠模擬器無窮大 - 如何獲取和使用皇家鑰匙
4 週前 By 尊渡假赌尊渡假赌尊渡假赌
北端:融合系統,解釋
4 週前 By 尊渡假赌尊渡假赌尊渡假赌
Mandragora:巫婆樹的耳語 - 如何解鎖抓鉤
4 週前 By 尊渡假赌尊渡假赌尊渡假赌
<🎜>掩蓋:探險33-如何獲得完美的色度催化劑
2 週前 By 尊渡假赌尊渡假赌尊渡假赌

熱工具

記事本++7.3.1

記事本++7.3.1

好用且免費的程式碼編輯器

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

禪工作室 13.0.1

禪工作室 13.0.1

強大的PHP整合開發環境

Dreamweaver CS6

Dreamweaver CS6

視覺化網頁開發工具

SublimeText3 Mac版

SublimeText3 Mac版

神級程式碼編輯軟體(SublimeText3)

熱門話題

Java教學
1677
14
CakePHP 教程
1430
52
Laravel 教程
1333
25
PHP教程
1278
29
C# 教程
1257
24
突破傳統缺陷檢測的界限,\'Defect Spectrum\'首次實現超高精度豐富語意的工業缺陷檢測。 突破傳統缺陷檢測的界限,\'Defect Spectrum\'首次實現超高精度豐富語意的工業缺陷檢測。 Jul 26, 2024 pm 05:38 PM

在現代製造業中,精準的缺陷檢測不僅是確保產品品質的關鍵,更是提升生產效率的核心。然而,現有的缺陷檢測資料集常常缺乏實際應用所需的精確度和語意豐富性,導致模型無法辨識特定的缺陷類別或位置。為了解決這個難題,由香港科技大學廣州和思謀科技組成的頂尖研究團隊,創新地開發了「DefectSpectrum」資料集,為工業缺陷提供了詳盡、語義豐富的大規模標註。如表一所示,相較於其他工業資料集,「DefectSpectrum」資料集提供了最多的缺陷標註(5438張缺陷樣本),最細緻的缺陷分類(125個缺陷類別

數百萬晶體資料訓練,解決晶體學相位問題,深度學習方法PhAI登Science 數百萬晶體資料訓練,解決晶體學相位問題,深度學習方法PhAI登Science Aug 08, 2024 pm 09:22 PM

編輯|KX時至今日,晶體學所測定的結構細節和精度,從簡單的金屬到大型膜蛋白,是任何其他方法都無法比擬的。然而,最大的挑戰——所謂的相位問題,仍然是從實驗確定的振幅中檢索相位資訊。丹麥哥本哈根大學研究人員,開發了一種解決晶體相問題的深度學習方法PhAI,利用數百萬人工晶體結構及其相應的合成衍射數據訓練的深度學習神經網絡,可以產生準確的電子密度圖。研究表明,這種基於深度學習的從頭算結構解決方案方法,可以以僅2埃的分辨率解決相位問題,該分辨率僅相當於原子分辨率可用數據的10%到20%,而傳統的從頭算方

英偉達對話模式ChatQA進化到2.0版本,上下文長度提到128K 英偉達對話模式ChatQA進化到2.0版本,上下文長度提到128K Jul 26, 2024 am 08:40 AM

開放LLM社群正是百花齊放、競相爭鳴的時代,你能看到Llama-3-70B-Instruct、QWen2-72B-Instruct、Nemotron-4-340B-Instruct、Mixtral-8x22BInstruct-v0.1等許多表現優良的模型。但是,相較於以GPT-4-Turbo為代表的專有大模型,開放模型在許多領域仍有明顯差距。在通用模型之外,也有一些專精關鍵領域的開放模型已被開發出來,例如用於程式設計和數學的DeepSeek-Coder-V2、用於視覺-語言任務的InternVL

GoogleAI拿下IMO奧數銀牌,數學推理模型AlphaProof面世,強化學習 is so back GoogleAI拿下IMO奧數銀牌,數學推理模型AlphaProof面世,強化學習 is so back Jul 26, 2024 pm 02:40 PM

對AI來說,奧數不再是問題了。本週四,GoogleDeepMind的人工智慧完成了一項壯舉:用AI做出了今年國際數學奧林匹克競賽IMO的真題,並且距拿金牌僅一步之遙。上週剛結束的IMO競賽共有六道賽題,涉及代數、組合學、幾何和數論。谷歌提出的混合AI系統做對了四道,獲得28分,達到了銀牌水準。本月初,UCLA終身教授陶哲軒剛剛宣傳了百萬美元獎金的AI數學奧林匹克競賽(AIMO進步獎),沒想到7月還沒過,AI的做題水平就進步到了這種水平。 IMO上同步做題,做對了最難題IMO是歷史最悠久、規模最大、最負

PRO | 為什麼基於 MoE 的大模型更值得關注? PRO | 為什麼基於 MoE 的大模型更值得關注? Aug 07, 2024 pm 07:08 PM

2023年,幾乎AI的每個領域都在以前所未有的速度進化,同時,AI也不斷地推動著具身智慧、自動駕駛等關鍵賽道的技術邊界。在多模態趨勢下,Transformer作為AI大模型主流架構的局面是否會撼動?為何探索基於MoE(專家混合)架構的大模型成為業界新趨勢?大型視覺模型(LVM)能否成為通用視覺的新突破? ……我們從過去的半年發布的2023年本站PRO會員通訊中,挑選了10份針對以上領域技術趨勢、產業變革進行深入剖析的專題解讀,助您在新的一年裡為大展宏圖做好準備。本篇解讀來自2023年Week50

為大模型提供全新科學複雜問答基準與評估體系,UNSW、阿貢、芝加哥大學等多家機構共同推出SciQAG框架 為大模型提供全新科學複雜問答基準與評估體系,UNSW、阿貢、芝加哥大學等多家機構共同推出SciQAG框架 Jul 25, 2024 am 06:42 AM

編輯|ScienceAI問答(QA)資料集在推動自然語言處理(NLP)研究中發揮著至關重要的作用。高品質QA資料集不僅可以用於微調模型,也可以有效評估大語言模型(LLM)的能力,尤其是針對科學知識的理解和推理能力。儘管目前已有許多科學QA數據集,涵蓋了醫學、化學、生物等領域,但這些數據集仍有一些不足之處。其一,資料形式較為單一,大多數為多項選擇題(multiple-choicequestions),它們易於進行評估,但限制了模型的答案選擇範圍,無法充分測試模型的科學問題解答能力。相比之下,開放式問答

準確率達60.8%,浙大基於Transformer的化學逆合成預測模型,登Nature子刊 準確率達60.8%,浙大基於Transformer的化學逆合成預測模型,登Nature子刊 Aug 06, 2024 pm 07:34 PM

編輯|KX逆合成是藥物發現和有機合成中的關鍵任務,AI越來越多地用於加快這一過程。現有AI方法性能不盡人意,多樣性有限。在實踐中,化學反應通常會引起局部分子變化,反應物和產物之間存在很大重疊。受此啟發,浙江大學侯廷軍團隊提出將單步逆合成預測重新定義為分子串編輯任務,迭代細化目標分子串以產生前驅化合物。並提出了基於編輯的逆合成模型EditRetro,該模型可以實現高品質和多樣化的預測。大量實驗表明,模型在標準基準資料集USPTO-50 K上取得了出色的性能,top-1準確率達到60.8%。

Nature觀點,人工智慧在醫學上的測試一片混亂,該怎麼做? Nature觀點,人工智慧在醫學上的測試一片混亂,該怎麼做? Aug 22, 2024 pm 04:37 PM

編輯|ScienceAI基於有限的臨床數據,數百種醫療演算法已被批准。科學家們正在討論由誰來測試這些工具,以及如何最好地進行測試。 DevinSingh在急診室目睹了一名兒科患者因長時間等待救治而心臟驟停,這促使他探索AI在縮短等待時間中的應用。 Singh利用了SickKids急診室的分診數據,與同事們建立了一系列AI模型,用於提供潛在診斷和推薦測試。一項研究表明,這些模型可以加快22.3%的就診速度,將每位需要進行醫學檢查的患者的結果處理速度加快近3小時。然而,人工智慧演算法在研究中的成功只是驗證此

See all articles