ChaosNexus：具备分层多尺度感知的基于 ODE 的混沌系统预测基础模型
机器学习
2026-02-03 v2 人工智能
摘要
基础模型已展现出通过大规模预训练实现基于 ODE 的混沌系统零样本或少样本预测的巨大潜力。然而，现有架构往往无法捕捉混沌动力学的多尺度时间结构和独特频谱特征。为了解决这一问题，我们引入了 ChaosNexus，一种以提出的 ScaleFormer 架构为支撑的混沌系统预测基础模型。通过处理跨分层变化补丁大小的时间上下文，ChaosNexus 有效地捕捉了长程依赖并保留了高频波动。为了解决不同系统间的异构性，我们将混合专家层集成到每个 ScaleFormer 块中，并显式地使最终预测以学习到的频率指纹为条件，为模型提供系统的全局频谱视图。在超过 9,000 个合成系统上的广泛评估表明，ChaosNexus 在长期吸引子统计量上实现了卓越的保真度，同时保持了有竞争力的逐点精度。此外，在实际应用中，它在 5 天的站点天气预报中实现了低于 1°C 的显著零样本平均误差。代码可在 https://github.com/TomXaxaxa/ChaosNexus 获取。
引用
@article{arxiv.2509.21802,
title = {ChaosNexus: A Foundation Model for ODE-based Chaotic System Forecasting with Hierarchical Multi-scale Awareness},
author = {Chang Liu and Bohao Zhao and Jingtao Ding and Yong Li},
journal= {arXiv preprint arXiv:2509.21802},
year = {2026}
}