非马尔可夫化简模型解析非平衡系统中的转变

本文提出一种捕捉噪声驱动的非平衡系统中转变的通用框架，并阐述了不稳定 onset 之后一致性模式的出现机制。该框架依赖于随机参数化以降低原始方程的复杂性，同时捕捉未解析尺度的关键效应。该方法适用于高斯型和莱维型噪声。我们的参数化方法具有两个关键优势：首先，它们在存在时近似随机不变流形；其即使在此类流形破裂的情况下，通过简单优化其组成参数，也可进行调整。这使我们能够处理弱时间尺度分离的情形，即系统经历了多次转变，导致大幅度解出现实象，而这些解无法被不变流形或其他时间尺度分离方法所捕获。优化后的随机参数化捕捉了小尺度噪声如何通过系统的非线性相互作用影响更大尺度的效应。这种效应得以实现，源于我们参数化的结构本身将非马尔可夫系数纳入简化方程。这些系数使用有限记忆长度来计量噪声过去的影响，记忆长度经过优化以实现最佳性能。特定的“记忆”函数——即决定此前影响如何加权的函数——取决于噪声强度及其与系统非线性相互作用方式。值得注意的是，仅通过在单个噪声路径上训练我们的理论导向简化模型，即可有效学习出用于超样本预测（包括罕见事件）的最优记忆长度。这一成功归功于我们的“混合”方法，将分析性理解与数据驱动学习相结合。这种结合避免了纯数据驱动方法的一个关键局限：其在面对不可见情形时的泛化能力——即“外推问题”。