2026-09-22
MIT Fiete组用Koopman谱做DSA,小鼠头朝向回路与环吸引子不可区分;猕猴运动皮层在两种伸手任务上行为稳,神经动力学却按任务漂移。
比较两个系统,几何方法看点云长什么样,拓扑方法看流形怎么连。对脑回路、RNN、气候这类东西,真正重要的是状态怎么随时间走,也就是流场本身。
最强的等价叫光滑拓扑共轭:存在光滑可逆映射,把一个向量场拧成另一个。直接算这个距离要在无穷维映射空间里搜,实验系统还往往部分观测、噪声大、带着随时间变的输入。CKA、Procrustes、RSA 需要时间对齐;MMD、TDA 把时间顺序丢掉。拿神经网络去学比较函数,成对比较一多就跑不动。这块尺子一直缺着。
DSA 把共轭问题松成三步,都能从时间序列直接算。
预测视界 s 拉长时,慢模态会压过快模态,同一套距离可以按时间尺度切开。Wasserstein 加上熵正则变成 Sinkhorn 距离,梯度能回传到网络权重,于是 DSA 能当训练目标。
合成数据上,环吸引子、切开的线吸引子、极限环三类标签,延迟 DSA 线性解码准确率满分,轮廓系数 0.67;多数几何和拓扑方法轮廓系数接近 0。切得很小、点云几乎一样时,DSA 仍能分开,MMD、Procrustes、MARBLE 分不开。MARBLE 大约慢 1000 倍。Lorenz 吸引子扫混沌参数 ρ,谱 DSA 与最大 Lyapunov 指数差的 R² 为 0.859,PAVF 版 0.849,MARBLE 0.61,MMD 0.036,Procrustes 0.005。
小鼠前背侧丘脑的头朝向回路,DSA 把它和神经网络环吸引子放在一起,与切开环、极限环、时间打乱对照全部可分(12 个会话,Cliff's δ=1.00,分布零重叠)。NN 环到数据的距离落在动物间距离的四分位距里。噪声方差等于数据方差、只观测 1% 神经元,排序几乎不变。短视界更像 REM,长视界更像慢波睡眠,跟径向快弛豫、角向慢扫的已知生理对得上。
猕猴伸手任务里,手的运动学在动物之间、Center-Out 与 Random-Target 之间都稳(跨任务 Cliff's δ=0.05,置换检验不显著)。皮层动力学跨任务分开(p=9.00×10^{-5}, δ=0.36),准备期和运动期更远(δ=0.66)。Center-Out 的神经动力学跨年稳定(R²=0.006),Random-Target 却漂(R²=0.384, p=9.995×10^{-4}),几何方法 CCA 看不出这条漂移。PMd 与 M1 在运动起始附近动力学分开,M1 出现持续转动模态。
把 DSA 当排斥正则,430 个常规训练的积分 RNN 全挤在线吸引子附近。迭代五次 ∂DSA,网络找到前馈链、平面吸引子、振荡积分器、正负方向混用等解,任务误差仍低。3-bit flip-flop 上,迭代次数大约是 Qian 与 Pehlevan 方法的十分之一。全文大约做了 200 万次成对比较。
给神经科学和 RNN 可解释性补了一块缺的尺子:不用对齐轨迹、不用手搓抽象特征,就能问两个系统是不是在做同一件事。pip 装 dsa-metric 就能跑。模型对数据、跨动物比较、当训练正则挖非常规解,都用得上。它是工具升级,几何仍回答形状问题,DSA 回答流场问题。别指望它替换 CKA。
距离没有绝对尺度,超参一变会非线性缩放,必须相对组内基线读。默认谱距离是伪度量:谱相同但模态不同的非正规瞬态会被判成相似。嵌入维、算子秩、延迟长度、采样率都要靠 AIC 和 ResDMD 选,选砸了比较会漂。猕猴那组 Center-Out 70 场、Random-Target 16 场,练习量差可能解释一部分漂移;子抽样对照之后斜率仍平,机制仍开放。DSA 对称,能量化耦合强度,给不出方向。