동역학계 (Dynamical Systems)의 임계 전이 (Critical Transitions) 예측을 위한 인컨텍스트 학습

임계 전이 (Critical transitions) — 시스템 동역학 (System dynamics)에서의 갑작스럽고 종종 되돌릴 수 없는 변화 — 는 인간 및 자연 시스템 전반에서 발생하며, 종종 재앙적인 결과를 초래합니다. 이러한 변화에 대한 실제 세계의 관측은 여전히 부족하여, 신뢰할 수 있는 조기 경보 시스템 (Early warning systems)의 개발을 가로막고 있습니다. 분산 증가와 같은 전통적인 통계적 및 스펙트럼 지표 (Statistical and spectral indicators)는 데이터가 제한적이고 상관관계가 있는 노이즈 (Correlated noise)가 존재하는 실제 조건 하에서는 실패하는 경향이 있는 반면, 기존의 딥러닝 (Deep learning) 분류기들은 학습 데이터 분포를 벗어난 외삽 (Extrapolate)을 수행하지 못합니다. 본 연구에서는 사전 데이터 적합 네트워크 (Prior-data fitted network)를 사용하여 시스템의 임계 전이 근접성을 추론하는 인컨텍스트 학습 (In-context learning, ICL) 프레임워크인 TipPFN을 소개합니다. 다양한 무작위 확률 동역학 (Stochastic dynamics)과 결합된 표준 분기 시나리오 (Canonical bifurcation scenarios)를 기반으로 하는 당사의 새로운 합성 데이터 생성기 (Synthetic data generator)로 학습된 TipPFN은 다양한 크기, 복잡성 및 차원의 컨텍스트 (Contexts)를 유연하게 활용합니다. 우리는 ICL 및 제로샷 (Zero-shot) 설정 모두에서 이전에 본 적 없는 티핑 레짐 (Tipping regimes), sim-to-real 예시, 그리고 실제 세계의 관측 데이터에 대해 견고하고 최첨단 (State-of-the-art)인 임계 전이 조기 탐지 능력을 입증합니다.