基于空间-时序编码与自监督储层计算（self-supervised reservoir computing with spatial-temporal encoding）识别临界转变（critical transitions）的方法研究

《Nature Communications》：Self-supervised reservoir computing with spatial-temporal encoding for identifying critical transitions

　　

摘要：在高维性和标注数据有限的条件下，检测复杂系统中的临界转变（critical transitions）并识别其分岔（bifurcation）类型——包括跨临界（transcritical）、倍周期（period-doubling）及Neimark-Sacker分岔——仍是一项重大挑战。研究人员提出一种面向此类任务的自监督方法——空间到时序自储层计算（spatial-to-temporal auto reservoir computing, stARC），该方法基于Takens嵌入定理（Takens' embedding theorem），通过储层结构将高维空间数据编码为单一代表性变量的时序动力学，实现空间-时序信息变换（spatial-to-temporal information transformation, STI），从而以自监督解析方式获得超低维一维表示，适用于时变高维系统的临界转变分析。此外，基于Poincaré回归原理（Poincaré recurrence principle），所提方法通过构建以各输入状态为中心的空间邻域网络来捕捉局部相空间结构信息，以增强鲁棒性。研究人员在合成模型及古气候、生态学和生理学等多领域真实数据集上验证了该方法，在不同噪声水平和参数选取下均取得较高的准确率和鲁棒性。

论文解读——《Nature Communications》发表工作：基于空间-时序编码与自监督储层计算识别复杂系统临界转变及分岔类型

研究背景与意义

许多复杂系统（气候、生态、生理等）存在 tipping point（临界点），趋近临界值时发生临界转变（critical transition），常伴随不同局部分岔（local bifurcation），如跨临界（transcritical）、倍周期（period-doubling）和 Neimark?Sacker 分岔，导致截然不同的动力学行为。传统基于临界慢化（critical slowing down, CSD）的统计指标可预警转变却无法区分分岔类型；已有数据驱动方法多依赖大量标注数据或难以解释机理，且对高维、短序列、无标注的真实场景适用性有限。传统储层计算（Reservoir Computing, RC）虽适合时序处理且仅训练读出层，但仍属有监督范式，需足够标注样本。为此，研究人员提出一种自监督框架——空间到时序自储层计算（spatial?to?temporal auto?reservoir computing, stARC）——可在无标注情况下将高维系统降为一维潜变量，既检测早期预警信号（Early Warning Signals, EWSs）又能依据主导特征值判别分岔类型，发表于《Nature Communications》。

主要关键技术方法

研究人员采用广义 Takens 延迟嵌入理论构建空间?时序信息变换（Spatial?To?Temporal Information Transformation, STI），将高维空间向量 X^t∈ ?ⁿ映射为单变量 z 的延迟向量 Z^t= (z^t, z^t+1, …, z^t+l?1)^′，满足 l > 2d（d 为吸引子盒维数）。借助随机初始化且固定内部连接的储层网络产生非线性映射 Φ(X^t)，其融合当前状态及相空间中 k 近邻（K?Nearest Neighbor, KNN, 取 L 个邻居）的加权组合（权重由指数距离衰减给出），以稳定潜表示。读出权重矩阵 W_out通过构造含方差最大化项与延迟嵌入约束项（平衡参数 θ）的 Rayleigh?商型优化问题，解析求解块三对角矩阵 H(Φ(X)) 的特征方程 H(Φ(X))V = γV 获得。由 Hankel 矩阵提取一维序列 z，滑动窗口内计算 Std(z) 并以贝叶斯在线变点检测（Bayesian Online Changepoint Detection, BOCD）识别突变作为 EWS；对潜变量 z 做局部线性近似（S?maps 估计 Jacobian 矩阵 J^t），依主导特征值 λ^t趋近单位圆的方式（λ → +1 为跨临界，λ → ?1 为倍周期，共轭复对 |λ| → 1 为 Neimark?Sacker）判定分岔类型。验证对象含耦合 Lorenz（跨临界）、耦合 Hénon（倍周期）、耦合 Van der Pol?Duffing / ADVP（Neimark?Sacker）系统及四类真实数据集（全新世石笋同位素、湖泊鱼类群落、沉积芯 K 含量、鸡心脏搏动间期）。

研究结果

Delay embedding constraint based on spatial?to?temporal information transformation

基于 Takens 嵌入定理推导 STI 线性方程 Z^t= W X^t及延迟嵌入约束 W_iP = W_i+1Q（P、Q 为 X 的位移子矩阵），为后续 RC 框架提供理论约束。

The overview of spatial?to?temporal auto?reservoir computing

构建 RC 输出方程 Z^t= W_outΦ(X^t)，其中 Φ(X^t) 引入相空间邻域加权以抑制噪声。目标函数最小化 ?(1?θ)Σ‖W_iΦ(X)‖2 + θ Σ‖W_iP ? W_i+1Q‖2，约束 Σ W_iW_i^′= 1，解析求特征方程得 W_out，进而构造 Hankel 矩阵 Z 并展开为一维潜变量 z。Std(z) 突增经 BOCD 检测为 EWS；由局部 Jacobian 主导特征值轨迹识别分岔类型。

Performance of stARC on representative?model datasets

在耦合 ADVP（Neimark?Sacker）、耦合 Lorenz（跨临界）、耦合 Hénon（倍周期）系统中，Std(z) 分别在 t = 5920、5650、5980 显著上升，早于参数分岔点（t = 6000）及观测分岔点；主导特征值分别呈共轭复对趋单位圆、趋 +1、趋 ?1，与理论分岔类型吻合，证明 stARC 可预警并分类。

Performances of stARC on real?world time series

应用于（i）全新世石笋数据：EWS 于 ~1.7 ka BP 检出（观测转变 ~1.8 ka BP），λ → +1 示跨临界；（ii）湖泊鱼类群落数据：EWS 于实验第 175 天检出（振荡 ~185–210 天），共轭复对 |λ| → 1 示 Neimark?Sacker；（iii）沉积芯 K 含量数据：EWS ~5.1 ka BP（观测 ~5.5 ka BP），λ → +1 示跨临界；（iv）鸡心脏搏动间期数据：EWS 先于观测倍周期，λ → ?1 示倍周期。表明方法对真实多领域高维数据有效。

Robustness analysis of stARC

在 σ = 0.1–0.5 噪声及窗长 ±20%、不同邻点数 L 与正则参数 θ 下，分岔识别准确率（Accuracy, ACC）与真阳性率（True Positive Rate, TPR）均 >90%，强噪（σ = 0.5）下 ADVP 案例 ACC/TPR 达 99.5%，参数扰动下降 ≤7%，显示强鲁棒性。

Comparisons with other methods

对比 multi?variable dynamic eigenvalue method（multiDEV）、One?Class SVM（OCSVM）、LSTM?RNN、DeepCluster、Robust Deep Autoencoder（RDA）、Ridge?regularized DMD、Neural Koopman 等方法，stARC 在各基准系统上 EWS 检测成功率最高，明显优于基线。

讨论与结论

研究人员指出 stARC 优势在于：（1）将 STI 融入 RC，以自监督方式获具拓扑重构能力的一维潜变量；（2）借 Poincaré 回归原理建相空间邻域网络增强抗噪与几何保形；（3）W_out由特征方程解析求得，计算高效稳定；（4）通过 Std(z) 集体涨落与潜变量局部 Jacobian 主导特征值分别实现 EWS 检测与三类余维?1 局部分岔识别。局限含极短序列表现待验、暂未涵盖鞍结（saddle?node）与叉型（pitchfork）分岔、正则参数 θ 需系统相关自适应选取。综上，stARC 提供了一种准确、鲁棒、高效且具动力学解释性的自监督框架，可用于高维复杂系统时变序列的临界转变预警与分岔类型推断，在气候突变、生态系统 regime shift 及生理信号监测等领域具广泛应用前景。