Machine-Precision Prediction of Low-Dimensional Chaotic Systems

📄 arXiv: 2507.09652v1 📥 PDF

作者: Christof Schötz, Niklas Boers

分类: nlin.CD, cs.LG, math.DS

发布日期: 2025-07-13

💡 一句话要点

利用高精度计算，实现对低维混沌系统动力学的机器精度预测

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 混沌系统 动力学预测 高精度计算 最小二乘回归 Lyapunov时间

📋 核心要点

  1. 低维混沌系统常被用于评估系统无关的动力学学习方法，但现有方法在精度和预测时间上存在局限。
  2. 该论文提出使用高精度计算（512位算术）和高阶多项式特征的最小二乘回归，以实现对混沌系统动力学的精确学习。
  3. 实验表明，该方法在 Lorenz-63 系统上的预测时间显著优于现有方法，并在其他混沌系统上验证了其有效性。

📝 摘要（中文）

本文研究了从数据中学习低维混沌系统动力学的问题，例如 Lorenz-63 模型。研究表明，对于此类系统的无噪声观测数据，可以达到机器精度级别的预测。通过对高阶多项式特征进行普通最小二乘回归，并结合 512 位算术，该方法超越了标准 64 位数值 ODE 求解器的精度。对于 Lorenz-63 系统，根据配置不同，获得了 32 到 105 Lyapunov 时间的有效预测时间，显著优于先前工作中的最多 13 Lyapunov 时间。此外，还在 Thomas 循环对称吸引子（一种比 Lorenz-63 模型复杂得多的非多项式混沌系统）上验证了结果，并表明类似的结果可以推广到更高维度的时空混沌 Lorenz-96 模型。研究结果表明，从无噪声数据中学习低维混沌系统是一个已解决的问题。

🔬 方法详解

问题定义：论文旨在解决低维混沌系统动力学预测的精度问题。现有方法，如传统的数值 ODE 求解器和机器学习方法，在预测精度和长期预测能力上存在不足，尤其是在无噪声数据的情况下，未能充分挖掘系统内在的确定性。

核心思路：核心思路是利用高精度计算和高阶多项式特征来更精确地逼近混沌系统的动力学方程。通过增加计算精度和特征空间的维度，可以更准确地捕捉系统中的非线性关系，从而提高预测精度和预测时间。

技术框架：整体框架包括以下步骤：1) 从混沌系统中生成无噪声的训练数据；2) 对训练数据进行特征工程，生成高阶多项式特征；3) 使用普通最小二乘回归方法，在高阶多项式特征空间中学习动力学方程；4) 使用学习到的动力学方程进行预测，并评估预测精度和预测时间。

关键创新：最重要的创新点在于使用了 512 位算术进行高精度计算。这种高精度计算能够显著降低数值误差，从而提高预测精度。此外，使用高阶多项式特征也能够更准确地捕捉混沌系统的非线性动力学。

关键设计：关键设计包括：1) 使用高阶多项式特征，特征的阶数需要根据具体系统进行调整；2) 使用 512 位算术进行计算，以降低数值误差；3) 使用普通最小二乘回归方法进行模型训练，该方法简单有效，易于实现；4) 评估预测精度时，使用 Lyapunov 时间作为时间单位，以便于与其他方法进行比较。

📊 实验亮点

该方法在 Lorenz-63 系统上取得了显著的性能提升，实现了 32 到 105 Lyapunov 时间的有效预测时间，远超先前工作的 13 Lyapunov 时间。此外，该方法还在 Thomas 循环对称吸引子和 Lorenz-96 模型上验证了其有效性，表明其具有一定的泛化能力。实验结果表明，对于无噪声数据，学习低维混沌系统动力学是一个可解的问题。

🎯 应用场景

该研究成果可应用于对混沌系统的精确建模和预测，例如气象预测、金融市场分析和生物系统建模。高精度预测能力有助于深入理解混沌系统的内在机制，并为相关领域的决策提供更可靠的依据。未来，该方法可以扩展到更高维度的混沌系统，并与其他机器学习方法相结合，以进一步提高预测精度和鲁棒性。

📄 摘要（原文）

Low-dimensional chaotic systems such as the Lorenz-63 model are commonly used to benchmark system-agnostic methods for learning dynamics from data. Here we show that learning from noise-free observations in such systems can be achieved up to machine precision: using ordinary least squares regression on high-degree polynomial features with 512-bit arithmetic, our method exceeds the accuracy of standard 64-bit numerical ODE solvers of the true underlying dynamical systems. Depending on the configuration, we obtain valid prediction times of 32 to 105 Lyapunov times for the Lorenz-63 system, dramatically outperforming prior work that reaches 13 Lyapunov times at most. We further validate our results on Thomas' Cyclically Symmetric Attractor, a non-polynomial chaotic system that is considerably more complex than the Lorenz-63 model, and show that similar results extend also to higher dimensions using the spatiotemporally chaotic Lorenz-96 model. Our findings suggest that learning low-dimensional chaotic systems from noise-free data is a solved problem.