面向随机动力学模拟的噪声感知神经网络

在系统-环境耦合的情况下，经典复杂系统会发生随机动力学，其中可以在较大的时空尺度上涌现出丰富的现象。为探讨这些现象，对于模拟随机动力学的数值方法至关重要且计算成本较高。鉴于最近机器学习技术的快速发展，本文建立了一种通用的机器学习方法来模拟随机动力学，称为噪声感知神经网络 (NANN)。该方法的一个关键特征是其仅通过训练来自较小规模系统的单步动力学，就能生成复杂大规模系统的长期随机动力学，从而降低了计算成本。此外，该 NANN 方法具有很强的通用性。对于不同的随机复杂系统，无需针对性地设计网络架构。以带噰声的 Kuramoto 模型和 Vicsek 模型为具体案例，我们展示了其在模拟随机动力学方面的能力。我们相信，这种新型机器学习方法可以是探究受环境噪声影响的复杂系统大尺度时空尺度行为的有用工具。