DOI: https://doi.org/10.1063/5.0303718
PMID: https://pubmed.ncbi.nlm.nih.gov/41778887
تاريخ النشر: 2026-03-01
المؤلف: Carlos Colchero وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم البحث تمديدًا متعدد القنوات عام لإطار HA-VOK، يُطلق عليه mHAVOK، والذي تم التحقق منه من خلال محاكاة تتضمن أنظمة لورينز وسبرات. تعزز هذه المنهجية الجديدة قدرة النموذج على استعادة الديناميات المعقدة من خلال استخدام ملاحظات متعددة ومتنوعة وظيفيًا. الرؤية الرئيسية التي تدفع الخوارزمية هي أن دمج إشارات مدخلات متعددة معلوماتية، جنبًا إلى جنب مع نظام تصنيف مكونات عام، يُثري بشكل كبير عملية التضمين، مما يؤدي إلى فهم أكثر شمولاً لديناميات النظام. من الجدير بالذكر أن نظام سبرات أظهر أن إعادة البناء الدقيقة تتطلب معلومات من حالات أولية متميزة.
يعالج إطار mHAVOK التحديات العملية المرتبطة بالقياسات الواقعية، التي تعتمد غالبًا على ملاحظات غير مباشرة أو قائمة على الوظائف. من خلال تسهيل دمج مصادر الإدخال المتنوعة، فإنه يعمل كأداة متعددة الاستخدامات للتطبيقات في دمج المستشعرات والديناميات متعددة المقاييس، حيث يكون التقاط الهيكل العالمي للجاذبات أمرًا حاسمًا. تشمل اتجاهات البحث المستقبلية تطوير نماذج تنبؤية لمكونات القوة، مما سينقل المنهجية من إعادة البناء إلى التنبؤ، وبالتالي تعزيز قابليتها للتطبيق عبر مجالات علمية وهندسية متنوعة. بالإضافة إلى ذلك، يُقترح استكشاف تقنيات الاختيار التكيفية لأبعاد التضمين وإثبات رسمي يربط نظرية كوبمان مع mHAVOK كمجالات لمزيد من التحقيق.
طرق
في هذا القسم، يصف المؤلفون طريقة لإعادة بناء ديناميات نظام باستخدام نهج تضمين عام. يعتبرون مسارًا منفصلًا لمتغيرات الحالة غير الملاحظة، يُشار إليه بـ \(\{x_n\}_{n=0}^{G-1}\)، يتطور على مساحة حالة مضغوطة \(M\). تستخدم الطريقة متجه تأخير \(\Psi[n]\) يُعرف بواسطة دالة سلسة \(f: M \to \mathbb{R}\) وتأخير محدد \(\tau_s\)، مما يسمح ببناء مصفوفة هانكل تلتقط الهيكل الزمني للبيانات. يبرز المؤلفون قيود الملاحظات أحادية القناة ويقترحون تمديدًا إلى ملاحظات متعددة، مما يؤدي إلى متجه تأخير متعدد القنوات \(\Psi_{GL}[n]\) الذي يعزز بُعد التضمين \(D\) من خلال دمج أبعاد إدخال متعددة.
يتم تفصيل بناء مصفوفة هانكل الكتلة \(H\)، حيث يمثل كل عمود متجه تأخير زمني. تخضع هذه المصفوفة لتحليل القيمة الفردية الرقيق (SVD)، مما ينتج عنه قاعدة متعامدة لوضعيات النظام الديناميكية. يؤكد المؤلفون أن استخدام قنوات متعددة يحسن جودة إعادة البناء من خلال التقاط أنماط متماسكة عبر قنوات قياس مختلفة، مما يُثري ديناميات النظام ويقلل من الارتباطات الضوضائية المتأصلة في التضمينات أحادية البعد. توفر الإحداثيات المؤجلة الزمنية الناتجة سلسلة زمنية محولة تتوافق مع الأوضاع الهيكلية الرئيسية، مما يسهل فهمًا أكثر شمولاً لسلوك النظام.
نتائج
يقدم قسم النتائج نتائج حول تطبيق المنهجية المقترحة على نظام لورينز، مما يُظهر فعاليتها في التعامل مع سلاسل زمنية متعددة الإدخال. تكشف التحليلات أن زيادة عدد القنوات تعزز اكتشاف العلاقات المعقدة بين القنوات. على وجه التحديد، تتطور العلاقة الزوجية بين المتغيرات $v_3$ و $v_2$ من نمط غير مترابط إلى هيكل ذو لبتين يتميز بجاذب لورينز عند إدخال قنوات إضافية. علاوة على ذلك، يبرز انتقال العلاقة بين $v_1$ و $v_2$ من هندسة مضغوطة إلى شكل فراشة الجاذب قدرة المنهجية على التقاط الميزات الهندسية الأساسية. كما تسلط الدراسة الضوء على قيود التضمينات أحادية القناة، لا سيما حالة $f(x_n) = z_n$، التي تفشل في تمثيل طوبولوجيا الجاذب بدقة.
بالمقابل، يسمح إدخال قنوات قياس متعددة بتحديد مكونات القوة المستقلة ويعزز إعادة بناء الجاذب. تشير النتائج إلى أن استخدام مجموعة من قنوات الإدخال، مثل $f(x_n) = (x_n, z_n)$، يحسن بشكل كبير جودة إعادة البناء، كما يتضح من التشابه البصري للجاذب المعاد بناؤه مع الأصلي. توضح التحليلات أيضًا أن الرتبة المثلى لتصنيف المكونات تختلف مع اختيار قنوات الإدخال، حيث يمكن أن تقلل التركيبات الخطية للقياسات من عدد الأوضاع الديناميكية المطلوبة. تشير النتائج لنظام سبرات إلى أن إعادة البناء أكثر تحديًا بسبب حساسية النظام للحالات الأولية، مما يمكن أن يؤدي إلى مسارات متباينة. بشكل عام، تؤكد النتائج على قوة المنهجية في إعادة بناء أنظمة ديناميكية معقدة من ملاحظات متعددة.
نقاش
في مناقشة ورقة البحث، يوضح المؤلفون تنفيذ الانحدار الخطي ضمن مساحة مدمجة لتحليل ديناميات الأنظمة باستخدام إطار mHAVOK. يؤكدون على أهمية اختيار رتبة مناسبة \( r \) لمصفوفة الرتبة المخفضة \( V \)، والتي تعتبر حاسمة لتمييز بين المكونات الخطية وغير الخطية للنظام. يتم استخدام نهج منهجي لتصنيف أعمدة \( V \) بناءً على معيار جودة الملاءمة، مما يسمح بتحديد المصطلحات غير الخطية الأساسية لإعادة بناء النظام بدقة. تتضمن عملية الانحدار حساب المشتقات الزمنية لإحداثيات التأخير الذاتية وأداء الانحدار الخطي لاشتقاق المصفوفة \( A_r \)، التي تلتقط التغيرات الزمنية في هذه الإحداثيات. يتم قياس جودة الملاءمة لكل عمود تم انحداره باستخدام معامل التحديد \( R^2 \)، مما يسهل تصنيف الأبعاد الخطية الأساسية والأبعاد غير الخطية.
علاوة على ذلك، تقدم الورقة خوارزمية اختيار رتبة آلية تعزز جودة إعادة البناء من خلال تحديد الرتبة المثلى \( r \) بناءً على درجة جودة جديدة مستندة إلى \( R^2 \). تتناقض هذه الطريقة مع الأساليب التقليدية المستندة إلى التباين، التي قد لا تعطي نتائج مرضية في بعض الأنظمة، مثل نظام سبرات. يوضح المؤلفون أن عدد الحالة لمصفوفة الديناميكا \( B_r \) يعد مؤشرًا موثوقًا لاختيار مرشحي الرتبة، مما يؤدي في النهاية إلى تحسين دقة إعادة البناء كما يتم تقييمها بواسطة مقاييس مثل مسافة تشامفر. تؤكد النتائج على أهمية استخدام ملاحظات متعددة واستراتيجية اختيار رتبة قوية لالتقاط الديناميات الأساسية للأنظمة المعقدة بدقة.
DOI: https://doi.org/10.1063/5.0303718
PMID: https://pubmed.ncbi.nlm.nih.gov/41778887
Publication Date: 2026-03-01
Author(s): Carlos Colchero et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The research presents a generalized multichannel extension of the HA-VOK framework, termed mHAVOK, which has been validated through simulations involving the Lorenz and Sprott systems. This novel methodology enhances the model’s capability to recover complex dynamics by utilizing multiple, functionally diverse observables. The key insight driving the algorithm is that incorporating multiple informative input signals, along with a generalized component classification scheme, significantly enriches the embedding process, leading to a more comprehensive understanding of system dynamics. Notably, the Sprott system demonstrated that accurate reconstruction necessitated information from distinct initial conditions.
The mHAVOK framework addresses practical challenges associated with real-world measurements, which often rely on indirect or function-based observations. By facilitating the integration of diverse input sources, it serves as a versatile tool for applications in sensor fusion and multiscale dynamics, where capturing the global structure of attractors is crucial. Future research directions include the development of predictive models for the forcing components, which would transition the methodology from reconstruction to forecasting, thereby enhancing its applicability across various scientific and engineering fields. Additionally, the exploration of adaptive selection techniques for embedding dimensions and a formal proof connecting Koopman’s theory to mHAVOK are proposed as areas for further investigation.
Methods
In this section, the authors describe a method for reconstructing the dynamics of a system using a generalized embedding approach. They consider a discrete trajectory of unobserved state variables, denoted as \(\{x_n\}_{n=0}^{G-1}\), evolving on a compact state space \(M\). The method employs a delay vector \(\Psi[n]\) defined by a smooth function \(f: M \to \mathbb{R}\) and a specified delay \(\tau_s\), allowing for the construction of a Hankel matrix that captures the temporal structure of the data. The authors highlight the limitations of single-channel observables and propose an extension to multiple observables, resulting in a multichannel delay vector \(\Psi_{GL}[n]\) that enhances the embedding dimension \(D\) by combining multiple input dimensions.
The construction of the block Hankel matrix \(H\) is detailed, where each column represents a time-delay vector. This matrix is subjected to a thin Singular Value Decomposition (SVD), yielding an orthonormal basis for the dynamical modes of the system. The authors emphasize that the use of multiple channels improves the reconstruction quality by capturing coherent patterns across different measurement channels, thereby enriching the system’s dynamics and reducing noise correlations inherent in one-dimensional embeddings. The resulting eigentime-delayed coordinates provide a transformed time series that corresponds to the primary structural modes, facilitating a more comprehensive understanding of the system’s behavior.
Results
The results section presents findings on the application of the proposed methodology to the Lorenz system, demonstrating its effectiveness in handling multiple input time series. The analysis reveals that increasing the number of channels enhances the detection of complex inter-channel relationships. Specifically, the pairwise relationship between variables $v_3$ and $v_2$ evolves from an uncorrelated pattern to a two-lobe structure characteristic of the Lorenz attractor when additional channels are introduced. Furthermore, the transition of the relationship between $v_1$ and $v_2$ from a compressed geometry to the butterfly shape of the attractor underscores the methodology’s capability to capture essential geometric features. The study also highlights the limitations of single-channel embeddings, particularly the $f(x_n) = z_n$ case, which fails to represent the attractor’s topology accurately.
In contrast, the introduction of multiple measurement channels allows for the identification of independent forcing components and enhances the reconstruction of the attractor. The findings indicate that using a combination of input channels, such as $f(x_n) = (x_n, z_n)$, significantly improves the reconstruction quality, as evidenced by the visual similarity of the reconstructed attractor to the original. The analysis further demonstrates that the optimal rank for component classification varies with the choice of input channels, with linear combinations of measurements potentially reducing the required number of dynamical modes. The results for the Sprott system indicate that reconstruction is more challenging due to the system’s sensitivity to initial conditions, which can lead to divergent trajectories. Overall, the results affirm the methodology’s robustness in reconstructing complex dynamical systems from multiple observables.
Discussion
In the discussion of the research paper, the authors elaborate on the implementation of linear regression within an embedded space to analyze the dynamics of systems using the mHAVOK framework. They emphasize the importance of selecting an appropriate rank \( r \) for the reduced rank matrix \( V \), which is crucial for distinguishing between linear and nonlinear components of the system. A systematic approach is employed to classify the columns of \( V \) based on a goodness-of-fit criterion, allowing for the identification of nonlinear terms essential for accurate system reconstruction. The regression process involves calculating the time derivatives of the eigen-time-delay coordinates and performing linear regression to derive the matrix \( A_r \), which captures the temporal changes in these coordinates. The goodness of fit for each regressed column is quantified using the coefficient of determination \( R^2 \), facilitating the classification of core linear dimensions and nonlinear dimensions.
Furthermore, the paper introduces an automated rank selection algorithm that enhances the reconstruction quality by determining the optimal rank \( r \) based on a novel \( R^2 \)-informed quality score. This method contrasts with traditional variance-informed approaches, which may not yield satisfactory results in certain systems, such as the Sprott system. The authors demonstrate that the condition number of the dynamical matrix \( B_r \) serves as a reliable indicator for selecting rank candidates, ultimately leading to improved reconstruction fidelity as assessed by metrics like the Chamfer distance. The findings underscore the significance of utilizing multiple observables and a robust rank selection strategy to accurately capture the underlying dynamics of complex systems.