Rezonans stochastyczny: Gdzie szum ułatwia zrozumienie sygnału

Zawodzący dźwięk jako pomocnik

Każdy inżynier jest szkolony, aby traktować dźwięk jako wroga: to jest to, co filtrujemy, średniego lub zaprojektowujemy się do minienia. Rezonans stochastyczny (SR) stanowi przeciwieństwo. W systemie nieliniowym z słabej okresowej sygnału za małego, aby zrobić coś na swoje, dodanie odpowiedniego ilości przypadkowego dźwięku sprawia, że ten sygnał jest znacznie łatwiejszy do wykrycia. Za mało dźwięku nic się nie dzieje; za dużo i sygnał zagłusza; gdzieś w pośrodku leży punkt idealny, w którym wyjście śledzi wejście bardziej niż na innych poziomach dźwięku, w tym zero.

Efekt ten został zaproponowany pierwszy raz w 1981 roku przez Roberto Benzi, Alfonso Sutera i Angelo Vulpiani nie do wyjaśnienia laborki curiosum, ale do wyjaśnienia zimnych okresów Ziemi: odstęp wokół 100 000 lat między cyklami lodowcami jest znacznie silniejszy niż mała okresowa nawiązanie z nieporęczności (przezwyciężenie Milankovitza) powinno samodzielnie wywołać. Ich propozycja brzmiała tak, że klimat zachowuje się jak układ bistabilny — stan chłodny, stan ciepły — i że naturalny dźwięk pogodowy, połączone z słabej nawiązką nieporęczności, mógł odwijać klimat między dwiema stanami w bliskiej harmonii z okresem nawiązania. Zastosowanie klimatyczne nadal jest debatowane, ale matematyczna mecha, którą to zaproponowało, okazała się rzeczywista, ogólna i miara w obwodach, laserach, reakcjach chemicznych i komórkach nerwowych.

Model bistabilny

Kanoniczny model to cząstka Browna w symetrycznym dwuwymiarowym potencjale, napędzana słabej okresowej siłą i szumem typu termicznego. Jest to równanie Langevina:

U(x) = -a·x²/2 + b·x⁴/4 (dwuwymiarowy potencjał, wysokość barierki ΔU = a²/4b) dx/dt = -U'(x) + A·cos(Ωt) + √(2D)·ξ(t) x = stan systemu (pozycja cząstki) A = amplituda słabej okresowej sygnału, A za mała do zginienia jednego z wólczyków samą siłą D = intensywność szumu ξ(t) = szum brązowy o jednostkowej wariancji Bez szumu, jeśli A jest poniżej próg zginienia, cząstka prostęduje wewnątrz jednego z wólczyków na wieczność — nigdy nie dowiaduje się o drugim wólczyku, a obserwator śledzący x(t) nie widzi niczego przypominającego napęd. Z szumem, cząstka czasami ma wystarczającą termiczną energię do skaczenia nad barierkę. Prędkość wyjścia dla symetrycznego wólczyka to klasyczny prędkość Kramersa:

U(x)  = -a·x²/2 + b·x⁴/4        (double well, barrier height ΔU = a²/4b)
dx/dt = -U'(x) + A·cos(Ωt) + √(2D)·ξ(t)

x   = state of the system (particle position)
A   = amplitude of the weak periodic signal, A too small to tilt the well over the barrier alone
D   = noise intensity
ξ(t)= unit-variance Gaussian white noise

Dlaczego skoki synchronizują się z sygnałem

Jakaś słaba okresowa popycha podnosi i opada barierę na obu stronach, dwukrotnie w ciągu jednej cyklu. Nie może spowodować skoku samodzielnie, ale ustawia warunki tak, aby skok wywołany szumem był najbardziej prawdopodobny: ucieczki stają się nieco bardziej prawdopodobne blisko chwili, gdy bariera na bieżącej stronie jest najniższa. Gdy intensywność szumu jest dostosowana tak, aby średni czas oczekiwania między skokami, 1/(2·r_K(D)), pasował do około połowy okresu popychania, skoki cząstki zaczynają się harmonizować z siłą — to jest warunek rezonansu, 2·r_K(D) ≈ Ω. Wtedy wyjście x(t) zawiera silny, prawie kwadratowy komponent o częstotliwości popychania, nawet jeśli amplituda natężenia siły natychmiastowej nigdy nie zmieniła się.

SN osiąga maksimum przy optymalnym poziomie szumu

Standardowy sposób na quantyfikację rezonansu stochastycznego polega na obliczeniu gęstości spektralnej mocy wyjścia i pomiarze stosunku sygnał/szum: wysokość ostrego spiku przy częstotliwości podstawowej Ω podzielona przez wysokość gładkiej tła szumu wokół niego. Znajdź ten SN na osi poziomej odpowiadającej intensywności szumu D i krzywa jest jasno niemonotoniczna — zaczyna się blisko zera, osiąga maksimum dla pewnego D*, a następnie spada ponownie, ponieważ tło szumu szerokobanda rośnie szybciej niż spik sygnału. Ten jedyny spik to eksperymentalny znak rezonansu stochastycznego i to, co oddziela SR od zwyczajnych przesłanek „szum czasami pomaga trochę”: korzyść nie jest marginalna, ale rzeczywista, mierzalna i powtarzalna maksimum na określonym poziomie szumu.

Gdzie występuje

Poza pierwotną hipotezą związaną z kryzysami klimatycznymi, rezonans stochastyczny został bezpośrednio pomiarzany w układzie Schmitta (pierwsze czyste laboratorium demonstrujące efekt, 1983), w laserach pętlowych, blisko punktu przejścia fazowego modelu Isinga, a najbardziej zaskakująco — w systemach nerwowych. Mechanoreceptory opony ogona krabów, włoski cercali kaczki trąciwej, oraz receptory skórzane i wewnętrzne uszne ludzi pokazują poprawioną detekcję słabej, podprzełomowej sygnału mechanicznego, gdy dodatkowa szum jest wprowadzana, co pasuje do przewidywania rezonansu stochastycznego. Inżynierowie poszerzyli ten pomysł poprzez zwiększoną wersję rezonansu stochastycznego na podstawie tablicy: łącząc wiele bistabilnych elementów z dodatkowym szumem i sumując ich wyjścia, spuszczają poziom efektywnego szumu i podnoszą punkt SNR. Ta technika jest stosowana w eksperymentalnych czujnikach pomaganych szumem oraz w niektórych projektach bezprzewodowych o niskiej mocy.

Symulowanie

Równanie Langevina powyżej to równanie różniczkowe stochastyczne, a najprostszym poprawnym sposobem na jego przesunięcie w czasie jest metoda Euler–Maruyama: traktuj ruch deterministyczny jako zwykły krok Eulera i dodaj niezależny szum Gaussa skaliowany o √(2D·dt) na każdym kroku.

// Krok Euler–Maruyama dla równania Langevina z dwoma wąskami const drift = a * x - b * x*x*x + A * Math.cos(omega * t); x += drift * dt + Math.sqrt(2 * D * dt) * gaussianRandom(); t += dt; Dwa praktyczne zagrożenia. Pierwsze: dt musi być małe w porównaniu do skal czasu krzywizny blisko dnów wąsków (prawie 1/a), inaczej sam proces dyskretyzacji staje się niestabilny i cząstka „tunneluje” numerycznie, a nie fizycznie. Drugie: estymacja SNR wymaga wystarczającej liczby niezależnych serii czasowych średnionawet — pojedynczy FFT jednej szkodliwej trasy ma spektrum, które jest samym szumem, a wierzchołek SR może zostać rozmyty i stać się niewidzialny, chyba że średnią są wielu wywołań lub długich okien.

// Euler-Maruyama step for the double-well Langevin equation
const drift = a * x - b * x*x*x + A * Math.cos(omega * t);
x += drift * dt + Math.sqrt(2 * D * dt) * gaussianRandom();
t += dt;

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Stochastic Resonance — Noise-Assisted Detection i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.