Наблюдая за блуждающими частицами с помощью умных инструментов
От бурлящих молекул в клетке до колебаний цены акции — многие явления в природе движутся так, что это не укладывается в простые предсказуемые правила обычной диффузии. Ученым известно, что разные внутренние механизмы могут порождать такие необычные траектории, но определить, какой именно механизм работает по короткому и шумному треку, сложно. В этом исследовании показано, как современный искусственный интеллект не только классифицирует блуждающие траектории по типам, но и указывает, какие части каждой траектории наиболее важны для принятия решения.
Странное движение вокруг нас
В учебниках случайное движение часто изображают как пьяную прогулку, где среднее разбрасывание позиций равномерно растет со временем. В реальной жизни движение редко столь упорядоченно. В живых клетках, социальных системах и на финансовых рынках разброс позиций может расти быстрее или медленнее, чем ожидается — это поведение называют аномальной диффузией. Физики разработали множество математических моделей для объяснения этого: от прогулок с долгими паузами до траекторий с сильной памятью. Тем не менее по одной записанной траектории отличить эти модели бывает трудно, особенно когда доступен лишь короткий временной отрезок и данные шумны.
Обучая нейросеть «читать» траектории
Опираясь на недавнюю работу в рамках вызова Anomalous Diffusion (AnDi), авторы создают инструмент глубокого обучения под названием ResAnDi для классификации траекторий. ResAnDi основан на популярной архитектуре распознавания изображений, известной как residual network, адаптированной для работы с временными рядами двумерных позиций вместо цветных пикселей. Сеть обучают на симулированных траекториях восьми разных механизмов движения, включая стандартное броуновское движение и несколько субдиффузионных и супердиффузионных вариантов. Пропуская траекторию через 18 последовательных обработающих слоев, сеть выдает вероятности того, что путь произошел от каждого механизма, достигая точности, сопоставимой с лучшими участниками конкурса AnDi, хотя ей приходится различать больше классов.
Освещая ключевые моменты Figure 1. Как ИИ «читает» блуждающие траектории частиц, чтобы классифицировать разные типы странного движения
Системы глубокого обучения часто критикуют как «черные ящики», поскольку они могут выдавать правильный ответ, не показывая, как к нему пришли. Чтобы приоткрыть этот ящик, авторы применяют метод из области объяснимого ИИ, известный как Grad-CAM, который присваивает «оценку релевантности» разным частям входа. Адаптированный здесь, Grad-CAM выделяет сегменты траектории, которые наиболее влияют на окончательный выбор ResAnDi. Команда проверяет, отражают ли эти оценки реальную информацию, выборочно стирая части траекторий. Когда они «выравнивают» сегменты с наивысшими оценками Grad-CAM, точность классификации падает гораздо сильнее, чем при стертых случайных сегментах такого же размера. Это показывает, что сеть научилась опираться на определенные информативные участки движения, которые часто соответствуют редким, но показательным флуктуациям.
Использование объяснений для борьбы с шумом и поиска закономерностей Figure 2. Как тепловая карта ИИ выделяет наиболее информативные сегменты шумной траектории частицы
Оценки Grad-CAM также указывают на более интеллектуальный способ расширения обучающей выборки. Вместо случайного увеличения данных авторы сосредотачиваются на траекториях, сегменты которых обычно имеют высокие оценки релевантности, поворачивают их и добавляют в тренировочный пул. При тестировании сети на шумных траекториях такое целевое дополнение делает классификатор заметно более устойчивым, чем стандартное случайное дополнение, особенно при сильном измерительном шуме. Чтобы понять, чему именно научилась сеть, команда исследует ее внутренние слои и сопоставляет оценки Grad-CAM с простыми статистиками движения: как коррелируют последовательные шаги, насколько меняется направление, насколько сильно размеры шагов отклоняются от нормального распределения и как эффективно меняется «скорость распространения» со временем. Разные механизмы проявляют отличительные отпечатки в степени совпадения этих статистик с высокими оценками Grad-CAM.
Заглядывая в рассуждения ИИ
Комбинируя тесты производительности, визуализации и тщательные статистические проверки, исследование рисует согласованную картину того, как глубокая сеть декодирует сложное движение. Ранние слои фокусируются на очень локальных признаках, например на том, склонны ли шаги к реверсу или продолжению, тогда как более глубокие слои улавливают медленные тенденции, такие как постепенные изменения в размахе движений частицы. Grad-CAM служит мостом между этими скрытыми вычислениями и человеческой интуицией, указывая, какие сегменты пути и какие типы паттернов наиболее информативны. Для неспециалистов главный вывод таков: ИИ можно обучить не только точно маркировать сложные движения частиц, но и указывать конкретные участки данных, на которых основано его решение, что открывает путь к более прозрачному и устойчивому к шуму анализу сложного движения в физике, биологии и других областях.
Цитирование: Bae, J., Baek, Y. & Jeong, H. Exploring how deep learning decodes anomalous diffusion via Grad-CAM.
Nat Commun17, 4575 (2026). https://doi.org/10.1038/s41467-026-71229-x
