通过流形网络实现复杂系统动力学的可解释预测与模拟

由 root 提交于 周四, 10/08/2026 - 06:47

脑及其他相互作用的生物和物理过程等复杂系统难以表征,因为它们会在众多变量和尺度上演化,并涉及非线性相互作用。为捕捉这些多变量、多尺度相互作用,我们开发了生成流形网络(Generative Manifold Networks,GMNs)这一机器学习框架。该框架由相互连接的动力系统网络构成。网络通过交互函数进行发现,该函数可以聚焦于因果性、共享信息、非线性或其他度量。网络节点是由数据驱动的低维状态空间流形,其生成函数能够容纳多尺度动力学。与许多机器学习方法不同,GMNs不包含潜变量或随机初始化变量,因此具有透明的可解释性。GMNs能够生成与回声状态网络相当的短期混沌动力学,同时在混沌和神经动力学的长期生成方面优于回声状态网络,但所需维度显著更少,且不依赖于储备池参数或随机状态的敏感性。因此,凭借其整体性、多尺度的表征能力,GMNs能够学习复杂系统的完整动力学。我们进一步证明,GMNs是通用逼近器。我们在混沌动力学、果蝇和家鼠的神经及行为记录上展示了GMNs的性能,并将其与回声状态网络和Crossformer(一种时间序列Transformer)进行了比较。

GMP和CS已为本研究所述算法提交专利申请。

https://patents.google.com/patent/US20230260662A1/en

感谢您有兴趣传播有关bioRxiv的信息。

注意:请求提供您的电子邮件地址仅用于确认您是本文的发送者。

关键词:生成流形网络 · 复杂系统动力学 · 可解释机器学习 · 多尺度建模 · 神经动力学 · 时间序列预测

原文链接:https://www.biorxiv.org/content/10.64898/2026.05.12.724527v1?rss=1