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
从脑电波到全球气候变化，在一系列复杂系统中都能观测到临界点（tipping point）现象 [2]。这一系列现象背后，有一个被称为临界慢化（critical slowing down，CSD）的共同显著特征[3]，这个在突变发生前的临界信号，使得发现通用判别器成为可能。然而，之前数十年的研究说明，这件事说起来容易，做起来难 [4,5]。
基于CDS的方法有一个巨大的弱点，就是找到的规律都过于通用，在灾难性的变化（catastrophic transition）没有发生时也会出现。灾难性的变化最早是由拓扑学家 Rene Thom 提出 [6]，他提出了突变理论（catastrophe theory）。临界点不仅发生在数学家称为差异倍数（fold change）的时候，还会在那些并非灾难性的相变点附近出现，例如超临界相变或Hopf 相变[7]。
上述三种造成显著变化的相变现象都曾在自然界中被观察到[5]。例如，由于社会或环境变化，当某种病毒的基本传播系数R0超过1时，超临界相变会发生，这时每个新的病患会传染多于一个患者。三种相变中，只有倍数分叉（fold bifurcation）一旦越过阀值，会造成系统由一个稳定点急剧、不可逆地转移到另一个远处的稳定点，这一现象被称为延迟（hysteresis）。
图1
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。
不同类型的相变使用基于临界慢化的方法，不仅会产生假阳性的预测，即对那些并不是灾难性的相变点给出预警，还经常无法预测灾难性的相变点[9,10]。这些方法需要输入大量高质量的数据，才能对即将到来的相变进行预测。数据的时间不足，或精度不够，都无法进行预测。基于临界慢化的方法之所以缺乏准确度和敏感度，是由于没有看到全局图景。基于深度学习的方法通过对比正常和灾难性变化的方程，找到了全局图景。
图2. 在不同类的数据上，基于深度学习的模型（蓝线)，其代表模型性能的AUC达到了0.8~1，远胜过之前方法。基于临界慢化的方法类似于管中窥豹，只是从灾难性和非灾难性的图景共有的一阶项中，预测将要发生什么。而每一类相变的规范形式（normal form），则能够显示出不同类相变的微妙区别，且高阶特征能够显示出何时一个灾难性的突变来临。不过，不同于能够通过统计指标简单区分出的临界慢化，这些微妙的高阶特征很难通过简单的统计指标得出。为了克服这一挑战，该研究使用了最强大的分类工具：深度学习。
深度神经网络具备的表征能力捕捉了更多细微的特征，区分出不同类型相变的不同层面。该研究结合了两种著名的神经网络结构：在视觉领域应用广泛的卷积神经网络，以及在自然语言和时间序列数据中应用广泛的LSTM[11]，之后在四类数据中训练模型，包括fold、Hopf、超临界相变及中性过程。相比临界慢化方法，训练后的神经网络能够以更高精度识别出这四类相变。
图3. fold、超临界以及Hopf相变的示意图
尽管这样，机器学习模型的性能受限于训练数据，能够准确分区猫和狗的神经网络，却并不能区分鲶鱼。该研究只考虑了三种特定的相变，即在二维的三阶多项式这一条件下。正如作者指出，自然界中存在更丰富的情况，不仅仅是他们设想的局部分叉[12]，还包括混沌动力学[13]、相变[14]及随机过程、非平稳或长时间的瞬态动力学[15]，以及其它只可能在高阶模型中出现的现象。将这些纳入模型中将显著增加分类难度，可能需要未来在设计和训练神经网络上的技术创新。
尽管如此，需要注意的是，这些神经网络被训练的是数学而非生物学。尽管深度学习模型能够识别出高阶项中的潜在特征，但其不具有人类研究者所掌握并引入研究的背景知识。例如，在这一系统中，另一个稳定点是否已经被识别出？诸如合作性的社交行为这样的正反馈，能否促成 fold 相变发生的条件？相变是在什么时间尺度上发生的，又是在什么样的变化的环境中发生的？
如果说，不考虑系统的特异性是临界慢化方法的优势，那么这也是其最大的弱势[16]。相比统计方法，机器学习方法能够在没有先验假定，不清楚具体细节的情况下，尽可能地利用系统的生物学背景。未来的研究应该尽可能在模型训练中引入生物学细节，这样模型不仅能学到数学，也能学到生物学。
通过不仅仅展示模型的结果，还公开训练用到的源代码和数据，该研究为未来研究奠定了基础。对于任何一个研究团队来说，训练一个通用的灾难性突变的预警模型都是一大挑战。但这也不必一蹴而就。各领域的研究者，可以通过提供超越多项式模型的临界突变的模型和数据，为此添砖加瓦，最好这些数据不仅仅是数学描述，还有生物学注释。随着训练数据的多样化，有监督的模型会变得越来越难以训练，但可以成为计算机科学界的公开挑战，用以衡量其算法在这些重大科学问题上的表现。
