Machine Learning per l'analisi di sistemi dinamici complessi

La comprensione dei punti critici nei sistemi dinamici complessi, come quelli presenti in ecologia, climatologia e biologia, è fondamentale. Un nuovo studio propone un approccio di machine learning basato su reti neurali profonde (DNN) per identificare le soglie critiche che portano a cambiamenti di regime.

Equilibrium-Informed Neural Networks (EINN)

Il metodo, denominato EINN (equilibrium-informed neural networks), inverte il processo convenzionale. Invece di fissare i parametri e cercare soluzioni, EINN utilizza stati di equilibrio candidati come input e addestra una DNN per inferire i parametri di sistema corrispondenti che soddisfano la condizione di equilibrio. Analizzando il "parameter landscape" appreso e osservando cambiamenti nelle mappature di equilibrio, è possibile rilevare le soglie critiche.

Applicazioni e vantaggi

La ricerca dimostra l'efficacia di EINN su sistemi non lineari che esibiscono biforcazioni saddle-node e multi-stabilità. EINN è in grado di recuperare le regioni di parametri associate alle transizioni imminenti. Questo metodo offre un'alternativa flessibile alle tecniche tradizionali, aprendo nuove prospettive per il rilevamento precoce e la comprensione dei cambiamenti critici in sistemi ad alta dimensionalità e non lineari. Per chi valuta deployment on-premise, esistono trade-off che AI-RADAR analizza su /llm-onpremise.