《模糊系统分析中的因果假设》美国空军研究实验室93页技术总结报告

目前在合成生物学、材料和神经科学方面的科学模型未能代表一个复杂系统的所有突出特征及其随时间的演变。科学家们传统上使用归纳推理和有限的观察变量来构建复杂系统的模型。通过围绕观察到的现象的合理解释来设计实验，他们可能会错过属性的相互联系。此外，科学家们经常在一个数据孤岛中进行实验，关注系统的单一方面，而不考虑二阶和三阶的影响。这些方法导致了实验的意外和缺乏可重复性，很少或没有洞察到失败的根源。

为了从根本上改变在缺乏完整模型的领域中设计和发现稳健的模型，二六科技、Netrias、雷神 BBN Technologies（BBN）、宾夕法尼亚大学（Penn）和James Yorke教授在四年时间里开展了 "来自模糊系统分析的因果假设（CHAOS）"工作。

CHAOS将通过有效利用高通量实验产生的数据来加速科学发现，产生假设，并减少实验意外，从而彻底改变当前复杂系统的模型并使其自动化。CHAOS是围绕四个主要的互动模块建立的：

图2 概念图

• 特征提取：自动编码器能够自动学习观察到的变量之间的映射，并创建一个压缩的特征表示，持续编码系统的状态。

• 状态空间预测：一个深度神经网络（DNN）通过捕捉系统的非线性动态来预测未来的状态。

• 稳定性分析：通过动态系统分析提取稳定的运行区域，以减少实验中的意外，并能发现故障的根本原因。

• 模型完善：一个终身学习引擎，可以有效地重新配置和更新深度网络，实现跨领域的知识转移和每天一兆字节的数据速率。

CHAOS是一种新颖的、革命性的科学发现方法，通过分析层自动生成因果和关联假设，并利用实时实验结果完善模型。CHAOS的分析技术可以自动识别跨时间和物理尺度的系统运行的稳定区域，其结果是为TA2表演者提供了一套强大的设计规则。完成这一挑战是由一个多学科的合作团队完成的，包括Two Six Technologies(prime)、Netrias、James York教授、Raytheon BBN和Eric Eaton博士。

图 CHAOS三层结构