时间滞后自编码器在动力系统慢模态发现中的能力与局限
机器学习
2019-09-04 v1 机器学习
生物物理
摘要
时间滞后自编码器（TAEs）已被提出作为一种基于深度学习的回归方法，用于发现动力系统中的慢模态。然而，对非线性TAE的严格分析仍然缺乏。在本工作中，我们通过理论分析和数值分析讨论了TAE的能力与局限。理论上，我们推导了非线性TAE在慢模态发现中的性能界限，并表明一般而言TAE学习到的是慢模态与最大方差模态的混合。数值上，我们在两个示例系统中说明了TAE能够和不能正确识别主导最慢模态的情形：一个二维“华盛顿环城公路”势和显式水中的丙氨酸二肽分子。我们还将TAE结果与使用无状态可逆VAMPnets（SRVs）作为一种基于变分方法的神经网络慢模态发现方法所得结果进行比较，并表明在TAE失效之处SRVs能够正确发现慢模态。
引用
@article{arxiv.1906.00325,
title = {Capabilities and Limitations of Time-lagged Autoencoders for Slow Mode Discovery in Dynamical Systems},
author = {Wei Chen and Hythem Sidky and Andrew L. Ferguson},
journal= {arXiv preprint arXiv:1906.00325},
year = {2019}
}