5,443
个编辑
更改
→基于NIS方法的弹簧振子实验
[[文件:截屏2024-12-14 21.54.19.png|替代=|无框|500x500像素]]
[[文件:截屏2024-12-14 21.54.19.png|替代=|无框|500x500像素]]
=基于NIS方法的弹簧振子实验=
=基于NIS方法恢复系统宏观状态=
这个实验使用弹簧振子模型来测试神经信息压缩机（Neural Information Squeezer, NIS）的有效性。这个方法的目的是从带有噪声的观测数据中恢复出系统的宏观状态，并预测未来的状态变化。弹簧振子是一个经典的物理系统，它的运动可以用位置（<math>z</math>）和速度（<math>v</math>）来描述。
弹簧振子的运动遵循以下动力学方程：
<math>
\begin{cases}
\frac{dz}{dt} = v \\
\frac{dv}{dt} = -z
\end{cases}
</math>
这里，<math>z</math> 是位置，<math>v</math> 是速度。系统的状态可以用一个二维向量 <math>\mathbf{x} = (z, v)</math> 来表示。
然而，实验中我们无法直接观测到系统的真实状态 <math>\mathbf{x}</math>，而是通过两个传感器来测量，每个传感器的测量结果都带有噪声。具体的观测模型如下：
<math>
\begin{cases}
\tilde{\mathbf{x}}_1 = \mathbf{x} + \zeta \\
\tilde{\mathbf{x}}_2 = \mathbf{x} - \zeta
\end{cases}
</math>
其中，<math>\zeta</math> 是一个服从二维高斯分布的随机噪声，<math>\zeta \sim \mathcal{N}(0, \sigma)</math>，<math>\sigma</math> 是噪声的标准差。这里的 <math>\tilde{\mathbf{x}}_1</math> 和 <math>\tilde{\mathbf{x}}_2</math> 是我们实际观测到的微观状态。
实验结果显示，NIS能够准确地恢复潜在的宏观状态 <math>\mathbf{x}</math>，而普通的神经网络无法做到这一点（下图a, b）。通过绘制宏观状态的导数 <math>(dz/dt, dv/dt)</math> 与宏观状态变量 <math>(v, z)</math> 的关系，NIS能够捕捉到弹簧振子的动力学（下图c），而普通神经网络无法做到（下图d）。同时，NIS能够进行多步预测，尽管随着时间步的增加，预测误差逐渐增大，但NIS仍然能够捕捉到系统的整体趋势（下图e）。通过计算不同尺度（<math>q</math>）下的维度平均因果涌现（dCE），NIS发现dCE在<math>q=2</math>时达到峰值（下图f）。这与真实情况一致，表明在<math>q=2</math>时，宏观动力学具有最强的因果涌现效应。在本实验中，有效信息（EI）用于衡量宏观动力学的因果涌现强度，帮助NIS自动选择最优的粗粒化策略（如<math>q=2</math>时EI最大），并验证宏观动力学是否有效捕捉系统行为。EI还反映了信息压缩的效率，确保宏观状态保留足够信息来描述系统动力学，同时支持NIS框架的理论分析，验证其在不同尺度下的表现。
=总结=
=总结=