集智俱乐部公众号文章2026-10-20

自然·机器智能：无方程的系统神经网络动力学分析

从局部数据到全局动力学：神经算子如何揭示复杂系统的稳定性与临界转变

科技与互联网

集智俱乐部

公众号 · 73 篇文章

查看主页 →

导语

复杂系统中的动力学演化，传统上采用微分方程描述。这篇2026年7月15日发表在 Nature Machine Intelligence 上的一篇研究，采用神经算子（Neural Operators）进行诸如不动点计算、线性稳定性分析、分岔图构建、临界点（tipping points）检测等一系列复杂系统动力学中的经典数值分析任务，这将有助于我们对气候突变、生态系统崩溃、流行病爆发、金融危机等现实问题中是否会发生突变，那些状态是稳定的增加预测工具。

关键词：神经算子、复杂系统、动力学、系统级分析

郭瑞东丨作者

赵思怡丨审校

论文题目：Enabling local neural operators to perform equation-free system-level analysis
论文链接：https://doi.org/10.1038/s42256-026-01265-1
发表时间：2026年7月15日
论文来源：Nature Machine Intelligence

局部计算加微小扰动的方法学设计

在经典的复杂系统研究中，如果你想研究一个系统的长期命运，比如寻找它的稳态、判断它是否稳定、画出它的分岔图，你必须拥有系统的“显式宏观方程”，即一组常微分方程或偏微分方程，并且能够求出它的 Jacobian 矩阵。然而，在真实的复杂世界中，往往找不到宏观方程。研究者手里只有如分子动力学规则这样的局部规律，或者观测数据。此时传统的数值分析工具箱直接瘫痪。

对此，研究者往往采用暴力模拟（Brute-force Simulation）。也就是给定一个初始状态，让系统一步步往前跑，看它最终停在哪里，即吸引子。近年来兴起的神经算子（Neural Operators, NO），可视为高效的“时间步进器（Time-stepper）”，用来替代昂贵的传统模拟器。

然而，模拟系统的运行，会遇到以下三个问题：

你永远找不到不稳定解。想象一个球在起伏的山脉中滚动，暴力模拟只能让球滚入山谷（稳定稳态）。但如果你不知道山顶（不稳定稳态）在哪里，因为你可能在模拟时，错过了位于两个相邻时间点之间的最高点，因此无法预警系统何时会跨越边界发生相变。
许多复杂系统（如冰川融化、深层洋流演变）存在极慢的时间尺度。用暴力模拟去等待系统达到稳态，可能需要消耗天文数字的算力。
AI的“高频幻觉”与误差累积。神经算子在长时间自回归预测时，不可避免地会丢失高频细节并累积误差。当你试图用 NO 去计算系统的导数时，这些高频噪声会被无限放大，导致数学求解器直接崩溃。

图1：EF-NO结合进行系统性预测的方法示意图

新方法的亮点，在于将局部的神经算子与传统的数值分析方法结合。构建神经算子（图1第一步）后，通过微小扰动 εv 和有限差分，估算 Jacobian 矩阵对任意方向向量的作用，避免了显式构造庞大的稠密矩阵，对应图1中的第二步。再将上述方向导数（即差值）喂给 GMRES（求稳态）或 Arnoldi（求特征值）算法（图1第三步）。最终输出不动点𝑢 和特征值谱𝜇，从而预测系统的临界点和最终状态。

论文标题中的的“局部”不是指核函数的局部支撑，也不是域分解意义上的“局部”，而是指时空意义上的短程解算子，即在很小的空间区域和很短的时间窗口内学习演化规律。由于时间窗口小，相比直接学习长时间演化规律要容易得多。短时间窗口内的动力学更平滑、更高频分量更少，因此学习任务的复杂度大幅降低，能减少内存需求和计算成本。

科普化案例：当 EF-NO 遇上真实世界的“临界转变”

为了直观理解这套框架的威力，我们将论文中测试的三个经典偏微分方程（PDE）基准，映射到三个真实的复杂系统场景中。

第一个案例是Allen-Cahn方程与叉式分岔（Pitchfork Bifurcation），这是一个具有双稳态的动力学系统，存在两个全局最小的稳定态与一个全局最大的不稳定态。Allen-Cahn 方程描述了相界面的运动。当参数变化时，系统会发生叉式分岔，一个稳态分裂成两个，中间出现一个不稳定的“鞍点”。这个不稳定的鞍点，就是系统的临界点。一旦系统状态被扰动越过这条由不稳定解构成的边界，就会发生不可逆的崩溃。Allen-Cahn模型作为普适的对称性破缺模型，广泛应用于生态，金融，气候建模等多个领域。

图2a, c是通过将 Newton-GMRES 包裹在 EF-NO 框架外找到的不稳定稳态解。图2b, d是本文提出的NO模型计算出的 Jacobian 完整特征值谱（内嵌图为 Arnoldi 提取的前三个主导特征值），训练时的测试集均方误差（MSE）达到 10⁻⁹，成功重构了包含多个叉式分岔的完整分岔图，前三个主导特征值的追踪与参考解几乎完全吻合。图2e为同伦 RandONet 重构的完整分岔图，精准捕捉了多个连续的叉式分岔点。图2f, g追踪主导特征值随描述干扰量参数ε的演化轨迹。

图2：Allen-Cahn 方程（相场模型与叉式分岔）

第二个例子是热传导或燃烧模型与鞍结点分岔的LBG 方程。该系统可想象为你在一座山的山坡上推一块巨石。山坡上有一个小凹坑（稳定稳态），巨石停在里面。随着你不断加大推力（λ增大），凹坑逐渐变浅、向山顶移动。同时，凹坑上方还有一个凸起的“门槛”（不稳定稳态）。当推力达到临界值时，凹坑和门槛同时消失，巨石瞬间滚落悬崖。这就是鞍结点分岔：没有预警，没有缓冲，没有回头路。

图3：一维LBG模型下，EF-NO对鞍结点分岔的模型预测结果

该研究提出的EF-NO方法，基于观察数据，能对稳态解与特征值谱的极高精度吻合，误差 10⁻⁴（图3a，b），并重构鞍结点分岔（图3c），即参数 λc≈3.5138 处，稳定分支与不稳定分支碰撞并消失。图3d对特征值绝对值进行追踪，在临界点处特征值发生突变。结果显示EF-NO方法能够精准的拟合。LBG 方程常用于模拟“点火/熄火”或生态系统的突然崩溃。在临界点到来前，系统看起来极其稳定，传统时间序列预测 AI 会盲目乐观。而EF-NO通过伪弧长延拓（Pseudo-arclength continuation），提前画出了系统的灾难预警地图，精确锁定了鞍结点。

而对于多尺度LBG模型，研究者试图回答当系统庞大到全局数据不可得、算力无法支撑时，我们能否仅凭局部的管中窥豹，重构出全局的动力学特征。图4a-c分别为三种加速方案的时空演化轨迹，作者提出的投影积分PI，先用局部神经算子跑5个极短的时间步（Δt=0.001），让系统贴合到慢流形上。之后的外推根据这5步估算出的“慢时间导数”，直接向前做一大步欧拉外推。图4a展示了PI的演化轨迹，图4d 显示其绝对误差被死死压制在 10的−3以内。

将将一维空间域切分为 21 个微小的“牙齿（Teeth）”和 20 个不活跃的“间隙（Gaps）”。神经算子只在“牙齿”内部运行，覆盖一半的空间域，且“牙齿”边缘的边界条件不是固定的，而是通过相邻“牙齿”的解插值实时提供的。图4c及f将 PI与 Gap-Tooth（空间局部）结合。在空间上只在“牙齿”上运行，在时间上采用“50步短松弛+ 1步大外推，系统的绝对误差仍然在10^-3以内，虽然只在 50% 的空间（牙齿）上运行 AI，但通过边界插值，依然能重构出全局的拓扑不变量（主导特征值）。这意味着对于三维的湍流或全球气候模型，我们只需在几个微小的时空斑块上训练神经算子，就能实现超高精度的系统级预警。

图4g指出即使是只在“牙齿”上运行的神经算子，其计算出的稳态和特征值谱依然与全局求解器高度一致，其绝对误差仅在10^-3。图5h指出即使没有微分方程，该方法仍能隐式地捕获了全局系统的拓扑不变量，即主导特征值。这意味着数据驱动模型已从表象拟合走向机理重构。

图4：EF-NO在多尺度LBG 方程的局部加速验证

第三个例子是FitzHugh-Nagumo (FHN) 方程，这是描述神经元动作电位（激活剂𝑢与抑制剂𝑣 耦合）的经典模型，数据由介观的晶格玻尔兹曼方法（LBM）生成，包含两个耦合的PDE偏微分方程。Hopf分岔前系统处于稳定的“静息电位”（稳定不动点），任何微小的扰动都会被抑制子 vv 抹平，系统归于死寂。临界点（Hopf Point）处雅可比矩阵的一对复共轭特征值的实部穿过零。分岔后静息态失稳，系统“跌入”一个稳定的极限环（Limit Cycle）。宏观上表现为系统开始自发地、周期性地发放电脉冲。这是非平衡态统计物理中“时间对称性破缺”的经典标志，也是生命体维持节律的数学基础。

对此，该研究采用局部性（Locality）与谱滤波。作者没有让神经算子学习整个时空的演化动力学，而是将其限制在极小的“时空斑块（Patch）”内（即 Gap-Tooth 和 Patch Dynamics 方案）。之后用基于随机投影的 RandONet将训练转化为一个带正则化的线性最小二乘问题，正则化项天然地充当了低通滤波器，衰减或去除与小奇异值相关的分量，产生一个内在“平滑”的解。这种谱阻尼通过抑制虚假高频分量，可能改善了 Krylov 例程中方向导数的数值可靠性。滤除了神经网络的高频幻觉。

图5a，b为多变量耦合系统的时空误差。图5c, d为稳态与特征值谱。其中图d中由于引入了 POD（本征正交分解）降维，高频噪声被滤除，只保留了 12 个主导模式。图5e, f为EF-NO重构的分岔图与特征值追踪。内嵌放大图清晰展示了一对共轭复数特征值的实部穿过零点，这是超临界 Hopf 分岔（系统从静息态突然涌现出周期性极限环振荡）的绝对数学指纹。捕捉 Hopf 分岔对 Jacobian 的精度要求极其苛刻（需要精确的复数特征值）。深度网络通常因为“谱偏差”而在此处折戟。此图证明了EF-NO完全有能力捕捉复杂生物物理系统中“节律的涌现”，能粒子碰撞的嘈杂快照”中提纯出了“宏观的连续动力学算子，而无需构建微分方程。

图5：FitzHugh-Nagumo (FHN) 方程中Hopf分岔的对应

总结

在传统范式下，数值分析是建立在精确离散化（有限差分、有限元、谱方法）之上的。本文表明，只要神经算子足够精确地逼近解算子，这些数值分析工具就可以无缝地“包裹”在数据驱动模型外面，执行同等质量的系统级分析。过去，我们把神经算子当作一个替代品，用来加速传统的PDE求解器。但在本文中，神经算子成为了一个计算原语（Computational Primitive）。它被包裹在 Krylov 子空间、Newton 迭代、Arc-length 延拓等经典数值算法的“外壳”中。

AI 不再负责给出答案，而是负责提供流形上的局部几何信息（方向导数），由严谨的数学算法来保证全局的收敛性和拓扑正确性。这意味着，哪怕我们只有卫星观测的稀疏气候数据，或者只有社交网络的传播快照，只要训练出一个局部的 NO，我们就能直接对其执行“系统级体检”，找出那些隐藏在数据背后的“临界悬崖”。上述的EF-NO框架在预测时所需的计算资源相比传统方法更少，能在单张消费级显卡上完成模型训练。

论文中展示的 Patch Dynamics（斑块动力学）方案把庞大的时空系统切分成一个个微小的“牙齿（Teeth）”，只在牙齿上运行 AI，牙齿之间的“间隙（Gaps）”用简单的插值连接。这不仅让训练数时只需学习局部规律，指数级的减少了训练数据的需求，更让系统具备了几何无关性（Geometry Agnostic）。就像乐高积木一样，训练好的“局部神经算子”可以随意拼装到任意形状、任意边界的复杂系统中去。

当然，现有方案仍存在以下四个局限：

精度瓶颈：不动点和特征值谱的精度最终受限于 NO 对解算子及其导数的逼近质量。在分岔点附近（解的敏感度极高），这对精度提出了苛刻要求。
数据依赖：虽然框架号称“无方程”，但训练数据仍需来自某个高保真模拟器或观测。在数据极度稀疏的情况下，局部性假设能否成立仍需验证。
架构普适性：虽然作者强调框架是“架构无关的”，但实际演示主要基于 RandONet。对于 FNO、DeepONet 等深度架构，谱滤波效应是否同样有效，尚待系统研究。
高维扩展：目前所有案例都是一维空间问题。向二维、三维扩展时，“局部性”的定义和实现将面临本质性挑战。目前的 Patch Dynamics 依赖于一维空间的光滑插值，向二维/三维非结构化网格扩展时，‘牙齿’间的边界通量耦合可能面临挑战。

过去几年，科学机器学习社区的大部分精力集中在“如何更准确地预测”上，更低的误差、更快的推理、更好的泛化。但预测只是手段，理解才是目的。理解一个动力系统意味着知道它的所有可能状态、这些状态的稳定性、状态之间如何转换、以及在什么条件下会发生不可逆的质变。

本文所展示的，正是让数据驱动模型具备这种“理解”能力的一条可行路径。通过将神经算子从被动的时间步进器提升为可以被经典数值分析算法主动驱动的“计算原语”，作者打开了一扇门：在没有任何显式方程的情况下，仅从数据出发，就能对复杂时空系统执行完整的稳定性与分岔分析。在气候变化、生态系统管理、流行病防控等需要预测“临界转变”的重大问题面前，这种能力或是不可或缺的。毕竟，知道系统“现在在哪里”远远不够，我们更需知道它“何时会坠落悬崖”。

计算神经科学第三季读书会

从单个神经元的放电到全脑范围的意识涌现，理解智能的本质与演化始终是一个关于尺度的问题。更值得深思的是，无论是微观的突触可塑性、介观的皮层模块自组织，还是宏观的全局信息广播，不同尺度的动力学过程都在共同塑造着认知与意识。这说明，对心智的研究从最初就必须直面一个核心挑战：局部的神经活动如何整合为统一的体验？局域的网络连接又如何支撑灵活的智能行为？

继「神经动力学模型」与「计算神经科学」读书会后，集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起「从神经动力学到意识：跨尺度计算、演化与涌现」读书会，跨越微观、介观与宏观的视角，探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学，以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。