临界点对于预测系统崩溃或其他突然变化至关重要。然而，现有的方法并不能普适地识别出即将到来的临界点。新研究使用深度学习，能够在不考虑所研究系统特异性的情况下，从生态学、热声学、气候学和流行病学的268个场景中，以更高的灵敏度识别出临界点，并产生更少的假阳性预测。该算法的成功说明，可以挖掘一系列可能的模型来识别自然界中的临界现象。

从疾病的暴发，到生态系统的崩溃，临界点是我们所见的最剧烈变化的成因之一。由于其内在本质，这也是最难预测的一类现象。使用机器学习的创新方法，能否破解这一难题呢？PNAS今年9月的一篇论文，令人信服地指出了这种模型具有的潜力。通过在海量模拟数据上训练深度神经网络模型，该文证明了监督学习可以成功地区分在哪些情况下，系统正在走向临界点。

论文题目：

Deep learning for early warning signals of tipping points

论文地址：

https://www.pnas.org/content/118/39/e2106140118#abstract-2

基于临界慢化的临界点预测方法，仅仅依靠统计指标，能够对临界点给出提前预警，但不能区分灾难性和非灾难性的变化。基于深度学习的方法，通过在海量模拟数据的训练，能够准确地区分出灾难性和非灾难性变化。未来的研究可以扩展到更多类型的相变上，并且不仅基于模拟的数据进行训练，还基于真实数据，例如生物体中的时间序列数据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除