研究人员开发了一个机器学习框架，用于建立一个通用的动力学时钟来理解复杂的振荡动力学。该框架受到托勒密的地黄道和开普勒定律的启发，将高维振荡表示为非线性坐标系中的均匀旋转。该方法已取得重要发现，包括解释了大肠杆菌种群中的超线性标度律、分析遗传电路的响应、识别贝里几何相位在经典力学中的对应物，以及使用非均匀性作为临界转变的早期预警信号。 AI
影响 为分类、比较和控制复杂振荡系统提供了一种新颖的数据驱动方法。
排序理由 该集群描述了一篇科学论文，其中详细介绍了一种用于分析振荡动力学的新机器学习框架。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.15472v1 Announce Type: cross Abstract: Oscillatory dynamics arise ubiquitously in nonlinear systems, yet identifying a physically interpretable phase and phase dynamics in nonlinear, high-dimensional oscillations remains a central unresolved problem. Here we establish …
Oscillatory dynamics arise ubiquitously in nonlinear systems, yet identifying a physically interpretable phase and phase dynamics in nonlinear, high-dimensional oscillations remains a central unresolved problem. Here we establish the principle of a universal dynamical clock, a ph…