崩溃前的征兆:深度学习在复杂系统中的闪烁现象检测

《Journal of Theoretical Biology》:Echoes before collapse: Deep learning detection of flickering in complex systems

【字体: 大 中 小 】 时间:2026年10月23日 来源:Journal of Theoretical Biology 1.9

编辑推荐:

  **摘要** 深度学习为预测复杂系统中的临界点提供了强大的工具,但其检测闪烁现象(由噪声驱动的共存稳定状态之间的切换)的潜力尚未得到充分探索。闪烁是气候系统、生态系统、金融市场和其他系统韧性下降的一个特征。它可能预示着具有重大影响但难以预测的关键转变。本文表明,通过对添加噪声

  **摘要**
深度学习为预测复杂系统中的临界点提供了强大的工具,但其检测闪烁现象(由噪声驱动的共存稳定状态之间的切换)的潜力尚未得到充分探索。闪烁是气候系统、生态系统、金融市场和其他系统韧性下降的一个特征。它可能预示着具有重大影响但难以预测的关键转变。本文表明,通过对添加噪声的简单多项式函数生成的合成时间序列进行训练的卷积-长短期记忆(CNN-LSTM)模型可以准确识别闪烁模式。尽管这些模型是在简化的动态系统上训练的,但它们能够泛化到各种随机系统中,并在包括睡鼠体温记录和非洲湿润时期的古气候代用指标在内的实证数据集中检测到闪烁现象。这些发现表明,深度学习可以从嘈杂的非线性时间序列中提取早期预警信号,为识别各种动态系统的不稳定性提供了灵活的框架。

**引言**
突然且不可逆的转变,即临界点(Russill和Nyssa,2009;Evangelou等人,2024;He和Bauch,2024;Luo,1997;Nazarimehr等人,2018),可能出现在多种系统中,如气候(Bury等人,2019;Lenton,2000)、生态系统(Farahbakhsh等人,2022;Jentsch等人,2021;O’Keeffe和Wieczorek,2020)、金融市场(Borah等人,2025;Koz?owska等人,2016)以及公共卫生(Wang等人,2016;Kwuimy等人,2020;Babazadeh Maghsoodlo等人,2025b)。预见这些转变对于减轻其潜在的严重后果至关重要。早期预警信号(EWS)已成为检测这些关键转变前韧性丧失的重要工具(Tredicce等人,2004;Bury等人,2020;Dakos等人,2012a;Dakos等人,2013;Dylewsky等人,2024;Dakos等人,2023;Dakos等人,2012b;Marsden和McCracken,2012;Boettiger和Hastings,2012a;Boettiger和Hastings,2012b;Lade和Gross,2012;Drake和Griffen,2010;Kuehn等人,2015;Guttal和Jayaprakash,2008)。

韧性下降的一个特征是闪烁:即由噪声驱动的共存稳定状态之间的间歇性切换(Dakos等人,2013;Kuehn,2011;Ashwin等人,2012;Horsthemke,1985)。在多种系统中都记录到了闪烁现象,包括古气候记录(Trauth等人,2024;Taylor等人,1993;Ditlevsen,1999;Ditlevsen和Johnsen,2010)、神经科学(Jercog等人,2017;Holcman和Tsodyks,2006)、冬眠生理学(Oro和Freixas,2021)、社会系统(Jusup等人,2022)以及湖泊生态系统动态(Wang等人,2012)。它通常出现在分岔之前,此时竞争性吸引子变得不稳定,噪声可以驱动它们之间的快速转换(Kuehn,2011;Ditlevsen和Johnsen,2010)。这使得闪烁成为一种有价值的EWS,可以补充基于关键减缓的指标。然而,现有的检测闪烁的方法主要依赖于方差、自相关和偏度等统计指标(Dakos等人,2013)。这些方法可能对噪声特性、数据分辨率和混杂过程敏感,从而限制了其在实践中的鲁棒性(Dakos等人,2013;Bury等人,2021)。

与此同时,人工智能(AI)和深度学习(DL)的进步表明其在识别临界点的早期预警信号方面具有巨大潜力,特别是在检测嘈杂的非线性系统中的分岔方面(Bury等人,2021;Bury等人,2023;Panahi等人,2024;Huang等人,2024;Deb等人,2022;Dylewsky等人,2024;Dylewsky等人,2023;Babazadeh Maghsoodlo等人,2025a)。然而,尽管这一点很重要,但使用DL检测闪烁的问题尚未得到解决。如果DL模型能够可靠地识别闪烁现象,它们将扩大我们在更广泛系统中检测不稳定性的能力,尤其是在传统统计方法失效的情况下。

在这里,我们开发了一个卷积-长短期记忆(CNN-LSTM)框架来检测嘈杂时间序列中的闪烁模式。我们使用添加噪声的简单多项式函数生成的合成数据训练模型,并测试其泛化到更复杂的随机动力学系统的能力。我们进一步表明,深度学习模型在区分真实闪烁和零案例方面始终优于基于方差的通用早期预警指标。最后,我们将训练好的模型应用于实证数据集,包括睡鼠体温测量数据(Oro和Freixas,2021)和非洲湿润时期的古气候记录(Trauth等人,2024)。我们的结果显示,深度学习可以可靠地识别模拟和现实世界系统中的闪烁现象,为预测关键转变提供了一种新的、广泛适用的工具(图1)。

**章节片段**
**深度学习模型和数据集构建**
我们实现了一个卷积-长短期记忆(CNN-LSTM)网络来检测嘈杂时间序列中的闪烁模式(Sainath等人,2015;Alzubaidi等人,2021;Hochreiter和Schmidhuber,1997)。CNN层在长时间窗口中提取局部特征,而LSTM层通过循环连接捕获时间依赖性并保留相关序列信息。最终的密集层输出一个二进制分类,指示闪烁的存在与否。

**结果**
接下来,我们测试了该分类器是否能够检测到闪烁现象,从而提供即将发生的转变的潜在早期预警信号。我们在六个在训练期间未见过的、结构比用于模型开发的合成时间序列更复杂的非线性一维系统中进行了测试(图3;每个面板上方显示了模型方程)。对于每个系统,我们从加性白噪声下的稳定平衡状态出发生成了两类轨迹。

**讨论**
我们已经证明,深度学习模型可以通过检测通常发生在关键转变之前的闪烁模式来提供可靠的临界点早期预警信号。我们的评估分为三个阶段:(i)在受控的合成数据集上进行训练以捕捉基本的闪烁动态;(ii)在更复杂的随机模型上进行测试以评估泛化能力;(iii)将训练好的模型应用于生物学和古气候的实证数据集。这个流程证明了深度学习...

**训练数据集的详细信息**
为了生成训练数据集,我们模拟了以下随机微分方程:
$$
\dot{x}(t) = p - x(t) + [a\cdot x(t) + c\cdot x^3(t) + \dot{x}^4(t) + \epsilon\cdot x^5(t) + f\cdot x^6(t) + g\cdot x^7(t)] + \sigma\cdot \omega(t),
$$
其中 $\xi(t)$ 表示高斯白噪声,$\sigma$ 是噪声强度。

**随机系数生成**
多项式项的系数从以下范围内随机抽取:
$$
\begin{align*}
g & \in (-2, 0) \\
f & \in (-g, g) \\
\epsilon & \in (-2, 0) \\
\delta & \in (-\epsilon, \epsilon) \\
c & \in (-2, 0) \\
a & \in (1, 3)
\end{align*}
$$

**初始条件和噪声**
我们设置 $p = 5$,以确保与...

**作者贡献声明**
Yazdan Babazadeh Maghsoodlo:写作——审稿与编辑、原始草稿撰写、可视化、验证、软件开发、方法论、调查、正式分析、数据管理。
Madhur Anand:写作——审稿与编辑、可视化、监督、资源管理、项目管理、方法论、资金获取、正式分析、概念化。
Chris T. Bauch:写作——审稿与编辑、可视化、监督、资源管理、项目管理、方法论、资金获取。

**利益冲突声明**
作者声明他们没有已知的可能会影响本文报道工作的财务利益或个人关系。

**致谢**
这项研究得到了加拿大自然科学与工程研究委员会(NSERC)对Chris T. Bauch和Madhur Anand的发现资助。

**作者名单**
Yazdan Babazadeh Maghsoodlo | Madhur Anand | Chris T. Bauch
应用数学系,滑铁卢大学,安大略省滑铁卢
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号