一种基于数据驱动的方法：根据描述符将噪声轨迹转化为物理相关信息的效率进行分类

重建多体动力学系统的物理复杂性具有挑战性。从其组成单元的轨迹（原始数据）出发，典型的方法需要选择合适的描述符将其转化为时间序列，随后进行分析以提取可解释的信息。然而，识别最有效的描述符通常并非易事。在此，我们报道了一种数据驱动方法，用于比较各种描述符从噪声轨迹中提取信息并将其转化为物理相关见解的效率。作为一个具有非平凡内部复杂性的原型系统，我们分析了在固/液相变温度附近冰和水平衡共存的原子系统的分子动力学轨迹。我们比较了水相系统中常用的通用和特定描述符：邻居数、分子速度、原子位置平滑重叠 (SOAP)、局部环境与邻居交换 (LENS)、取向四面体序以及与第五个邻居的距离 ($d_5$)。使用洋葱聚类 (Onion Clustering)——一种用于单点时间序列分析的高效无监督方法——我们评估了每个描述符的最大可提取信息，并通过高维度量对它们进行排序。我们的结果表明，由于具有较高的信噪比，SOAP 和 LENS 等高级描述符优于经典描述符。尽管如此，即使是简单的描述符在局部信号去噪后也能匹敌甚至超越高级描述符。例如，$d_5$ 最初属于最弱的描述符之列，但在去噪后成为解析系统非局域动力学复杂性最有效的描述符。这项工作突出了噪声在从分子轨迹提取信息中的关键作用，并提供了一种数据驱动方法，以识别具有特定内部复杂性的系统的最优描述符。