杜克大学的研究人员开发了一种新的人工智能框架，旨在揭示自然界和现代技术中一些最复杂动力学背后的清晰、易于理解的规则。
该系统借鉴了历史上伟大的“动力学家”——即研究随时间变化系统的科学家——的工作成果。正如常被认为是第一位动力学家的艾萨克·牛顿提出了联系力与运动的方程一样，这种人工智能通过分析显示复杂系统如何演化的数据，进而生成能够准确描述该行为的方程。
这种方法的不同之处在于其处理远超人类能力的复杂性的能力。该人工智能可以处理涉及数百甚至数千个相互作用变量的非线性系统，并将其简化为维度更少、更简单的规则。
理解随时间变化的新工具
这项于2025年12月17日在线发表在《npj Complexity》期刊上的研究，为科学家使用人工智能研究随时间演变的系统（包括天气模式、电路、机械装置和生物信号）提供了一种强大的新方法。
“科学发现一直依赖于寻找复杂过程的简化表示，”杜克大学通用机器人实验室主任、机械工程与材料科学系Dickinson家族助理教授陈博源（Boyuan Chen）表示，“我们越来越拥有理解复杂系统所需的原始数据，但却缺乏将这些信息转化为科学家所依赖的那种简化规则的工具。弥合这一差距至关重要。”
物理学中有一个经典的简化例子。炮弹的轨迹取决于许多因素，包括发射速度和角度、空气阻力、变化的风况，甚至环境温度。尽管存在这种复杂性，但其运动的近似值可以用一个仅使用发射速度和角度的简单线性方程来捕捉。
建立在几十年前的数学思想之上
这种简化反映了一个由数学家伯纳德·库普曼（Bernard Koopman）在20世纪30年代提出的理论概念。库普曼证明了复杂的非线性系统可以使用线性模型进行数学表示。新的人工智能框架正是直接建立在这一思想之上。
然而，存在一个重要挑战。使用线性模型表示高度复杂的系统通常需要构建数百甚至数千个方程，每个方程都对应一个不同的变量。处理这种复杂性对人类研究人员来说十分困难。
这正是人工智能体现其价值的地方。
人工智能如何降低复杂性
该框架研究实验中的时间序列数据，并识别系统变化中最有意义的模式。它将深度学习与受物理学启发的约束相结合，将系统精简到一组小得多的变量，这些变量仍然能够捕捉其基本行为。其成果是一个紧凑的模型，该模型在数学上表现为线性系统，同时保持对现实世界复杂性的忠实。
为了测试这种方法，研究人员将其应用于各种各样的系统。这些系统从常见的钟摆摆动到电路的复杂非线性行为，以及用于气候科学和神经回路的模型。尽管这些系统差异巨大，但人工智能总能揭示出控制其行为的少数几个隐藏变量。在许多情况下，由此产生的模型比早期机器学习方法生成的模型小10倍以上，同时仍能提供可靠的长期预测。
“突出的不仅仅是准确性，还有可解释性，”陈博源说，他同时也在电气与计算机工程和计算机科学系任职。“当一个线性模型很紧凑时，科学发现过程就可以自然地与人类科学家几千年发展起来的现有理论和方法联系起来。这就像将人工智能科学家与人类科学家连接起来。”
寻找稳定状态与预警信号
该框架的功能不止于做出预测。它还能识别稳定状态（称为吸引子），即系统随时间自然趋向的状态。识别这些状态对于判断一个系统是正常运行、缓慢漂移还是接近失稳至关重要。
“对于动力学家来说，找到这些结构就像在一片新地貌中找到地标，”该研究的第一作者、陈博源通用机器人实验室的博士生萨姆·摩尔（Sam Moore）说。“一旦你知道了稳定点在哪里，系统的其余部分就开始变得有意义了。”
研究人员指出，当传统方程不可用、不完整或过于复杂而无法推导时，这种方法尤其有用。“这并非要取代物理学，”摩尔继续说道，“而是要在物理学未知、隐藏或过于繁琐而无法写出时，扩展我们利用数据进行推理的能力。”
迈向机器科学家
展望未来，该团队正在探索如何利用该框架通过主动选择要收集的数据来更高效地揭示系统结构，从而指导实验设计。他们还计划将该方法应用于更丰富的数据形式，包括视频、音频以及来自复杂生物系统的信号。
这项研究支持陈博源在通用机器人实验室中开发“机器科学家”以协助自动化科学发现的长期目标。通过将现代人工智能与动力系统的数学语言相结合，这项工作指向了一个未来：人工智能所做的远不止识别模式，它可能有助于揭示塑造物理世界和生命系统的基本规则。FINISHED
