液体计算突破400颗粒子成功预测混沌信号

本周，德国一支物理学家团队的研究成果在学术界引起了广泛关注。简而言之，他们通过悬浮在液滴中的400个微小颗粒组成的阵列，成功完成了一项看似“不可能”的任务——预测混沌信号，并精准检测出其中的异常模式。

提到“混沌信号”，很多人可能会感到困惑。实际上，它本质上是来自确定性系统（例如可用数学方程描述的系统）生成的时间序列数据。听起来很抽象？它的典型特征是：对初始条件极度敏感，长期来看难以预测，但在统计层面上却存在规律。比如投掷一枚硬币，短期看正反面随机，但长期统计结果显示正反面概率各占一半。

这项突破来自德国康斯坦茨大学和斯图加特大学的物理学家团队，相关论文已发表在《通信、人工智能与计算》期刊上。我们来逐步解析这项研究究竟做了什么。

研究团队设计了一个由400个振荡器（即悬浮在液滴中的微小颗粒）组成的阵列。该阵列成功预测了被称为“麦基-格拉斯（Mackey-Glass）”的混沌序列。不仅如此，它还能识别出那些不影响信号均值、方差和短时自相关性的异常模式。在更复杂的任务中，该阵列获得了0.90的F1分数——对研究人员来说，这是一个相当亮眼的成绩。

说到麦基-格拉斯序列，你或许在机器学习或时间序列分析的文章中见过它。它由Mackey-Glass方程生成，属于混沌时间序列，兼具确定性规则和复杂的变化特征。在学术界，常用这个序列来检验各类系统或模型对非线性时间依赖关系的预测能力。无论是储备池计算、神经网络，还是其他时间序列模型，都需要用它来“试炼”。

不过，当前系统的精度仍面临挑战。论文明确指出，单步麦基-格拉斯序列预测的归一化均方根误差（NRMSE）约为0.1。听起来可能有些抽象，但对比一下就更清晰：基于忆阻器的储能系统误差已低至0.01或更低。这意味着，新系统的精度大约只有后者的十分之一。归一化均方根误差是衡量预测值与真实值偏差的标准化指标，数值越低，预测结果越接近目标序列。

系统如何运作

运行这套“储液池”（即系统本身）需要哪些设备？一台532nm激光器、一台以100kHz频率扫描的双轴声光偏转器、一台带粒子追踪功能的实时显微镜、一个温控石英池，以及一台普通计算机。计算机的主要任务是处理1000个高斯核函数，以生成最终输出结果。

设计上，每个振荡器都是一个半径为3微米的二氧化硅球，一端覆盖着80纳米厚的碳层。这些小球悬浮在28°C的水-二甲基吡啶混合溶液中。科研团队利用532nm激光加热碳层，驱动粒子飞向预设目标点。但问题在于，由于成像和光束重新定位之间存在延迟，粒子会“过冲”，最终停留在一个较小的轨道上。液体中的流场会耦合相邻的轨道，而数据则以目标点位移的形式输入系统。

在阵列布局上，研究人员将振荡器排列成六边形晶格。单个粒子围绕目标位置运行，轨道半径约为1微米。阵列间距L可设置为12、14或30微米，阻尼参数Γ则可设置为0、1.4或1.5微米。

在脉冲测试中，研究人员将全部目标位置沿同一方向移动4微米，持续4个延迟时间τ_d。结果显示，弛豫时间τ_r随L和Γ的变化超过了一个数量级。也就是说，调整阵列间距和阻尼参数，对系统的响应速度影响非常显著。

在混沌Mackey-Glass序列预测实验中，阵列接收了6700个时间步的信号。前80%数据用于训练线性读出层，后20%用于验证。模拟结果显示，输入通道数N从1增加到10时，10步预测误差下降；但继续增加后，性能反而下降。更令人惊讶的是，仅驱动20%的振荡器时，系统仍能保持较高的预测准确率。这意味着，该系统拥有很强的冗余性和鲁棒性。