杂乱体系由很多相互作用的组成部分构成，这些体系的行为表现出丰厚的动态特性和自组织现象。了解这些体系的要害之一是辨认出在体系组件的标准上的变异，这些变异关于微观标准上的行为是最相关的。但是，跨标准的信息链接是一个应战，由于体系的行为依赖于组件之间杂乱的相互作用。此外，传统的剖析办法往往难以处理高维数据和捕捉体系内部的非线性联络，这进一步增加了研讨杂乱体系的难度。

  最近发表于美国国家科学院院刊PNAS的一篇论文，提出了一种新的办法，使用机器学习对杂乱体系中的信息进行分化。该办法经过对体系丈量的数据来进行有损紧缩，保存与微观行为最相关的信息，一起丢掉其他信息。这种办法根据信息理论中的分布式信息瓶颈（distributed information bottleneck, DIB）原理，经过优化丢失紧缩的丈量值，来辨认体系状况丈量中与特定微观行为最相关的变异。

  研讨要点放在了两个典型的杂乱体系上：布尔电路和阅历塑性变形的非晶资料。在这两个比如中，体系状况的很多熵被逐位分化，以提醒与微观行为最相关的信息。

  这种办法的提出，不仅为了解微观与微观结构之间的联络供给了一种全新的视角，并且经过机器学习的使用，为处理高维数据和辨认杂乱体系内部结构供给了有用的东西。

  本文为汹涌号作者或组织在汹涌新闻上传并发布，仅代表该作者或组织观念，不代表汹涌新闻的观念或态度，汹涌新闻仅供给信息发布渠道。请求汹涌号请用电脑拜访。