Стохастичний Резонанс: Коли Шум Зробить Сигнал Легшим для Розпізнавання

Шум, який допомагає замість того, щоб завдавати шкоди

Кожен інженер навчений поводитися з шумом як із ворогом: це те, що ви фільтруєте, усереднюєте або проектуєте, щоб обійти. Стохастичний резонанс (СР) є протилежним прикладом. У нелінійній системі з слабким періодичним сигналом, який сам по собі недостатньо потужний, додавання правильної кількості випадкового шуму робить цей сигнал набагато легшим для виявлення. Занадто мало шуму нічого не відбувається; занадто багато і сигнал тоне; десь посередині знаходиться точка, в якій вихід відстежує вхід краще, ніж це робиться на будь-якому рівні шуму, включаючи нуль.

Цей ефект було запропоновано в 1981 році Роберто Бензі, Альфредо Сутера та Ангело Вулпіані не для пояснення лабораторної дивовижки, а для пояснення льодовикових періодів Землі: приблизно 100 000-річний інтервал між циклічними заторами льоду набагато сильніший, ніж слабкий періодичний імпульс від ексцентричності орбіти (мужній вплив Міланковича) повинен був би створити. Їхня ідея полягала в тому, що клімат поводиться як біставна система — холодне стани, тепле стани — і що природний атмосферний шум, у поєднанні з слабким орбітальним впливом, міг перемикати клімат між цими двома станами майже синхронно з періодом впливу. Кліматичне застосування залишається суперечливим, але математичний механізм, який він надихнув, виявився реальним, загальним і вимірюваним у схемах, лазерах, хімічних реакціях та нервових клітинах.

Двоезонна модель

Ганологічна модель складається з броунівського зерна в симетричному подвійному потенціалі, що під впливом слабкого періодичного сигналу та теплового шуму. Це рівняння Лангевина:

U(x) = -a·x²/2 + b·x⁴/4 (подвійна яма, висота бар'єру ΔU = a²/4b) dx/dt = -U'(x) + A·cos(Ωt) + √(2D)·ξ(t) x = стан системи (положення частинки) A = амплітуда слабкого періодичного сигналу, занадто мала, щоб сама перевернути яму над бар'єром. D = інтенсивність шуму ξ(t)= гаусівський білий шум з середнім значенням 1 Без шуму, якщо A нижче порогу нахилу, частинка просто коливається всередині однієї ями назавжди — вона ніколи не дізнається про дві ями, і спостерігач, що спостерігає x(t), нічого, що нагадувало б завантаження, не бачить. З шумом частинка іноді має достатньо теплової енергії, щоб перестрибнути через бар'єр. Швидкість виходу для симетричної ями дорівнює класичній швидкості Крамера:

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

Чому хміль синхронізується із сигналом

Слабкий періодичний імпульс підіймає та опускає бар’єр з кожного боку незначно, двічі за цикл. Він не може спричинити стрибок на власний розсуд, але спотворює ймовірність стрибка, що виникає під впливом шуму: висликування стає дещо більш імовірним біля моменту, коли бар’єр поточної сторони найнижчий. Коли інтенсивність шуму налаштована так, щоб середній час очікування між стрибками, 1/(2·r_K(D)), відповідав приблизно половині періоду імпульсу, стрибки частинки синхронізуються з впливом — це умова резонансу, 2·r_K(D) ≈ Ω. Вихід x(t) тоді містить сильний, майже квадратний компонент на частоті імпульсу, незважаючи на те, що початкова амплітуда імпульсу ніколи не змінювалася.

SNR піки при оптимальному рівні шуму

Стандартний спосіб кількісно оцінити SR - це обчислення спектральної щільності потужності вихідного сигналу та вимірювання співвідношення сигнал/шум: висота різкого піку при частоті драйву Ω поділена на висоту гладкої шумової основи навколо нього. Побудуйте цей SNR проти інтенсивності шуму D, і крива явно не є монотонною - вона зростає від нуля, досягає максимуму при певному D*, а потім падає назад вниз, коли широсмуговий шум збільшується швидше, ніж пік сигналу. Цей окремий пік є експериментальним сигнатурою стохастичного резонансу, і це те, що відрізняє SR від звичайної "шум іноді трохи допомагає" міфології: вигода не є незначною, вона є реальною, вимірюваною та відтворюваною максимальною величиною при певному рівні шуму.

Де це проявляється

За межами початкової гіпотези про вікно льодовиків, SR було виміряно безпосередньо в схемах Шмідта (перше чисте лабораторне демонстрація, 1983 рік), у кільцевих лазерах, в моделі Ізинга біля фазового переходу та – найяскравіше – у нервовій системі. Механорецептори хвоста равлика-карасі, волоски крижів циркура та людські шкірні та вестибулярні рецептори демонструють покращене виявлення слабких, підпорогових механічних стимулів при додаванні невеликої кількості додаткового шуму, що відповідає прогнозу SR. Інженери пішли ще далі з посиленим SR: об’єднанням багатьох шумів бістабільних елементів та підсумовуванням їх виходів, це знижує ефективний рівень шуму та підвищує SNR пік, хитрий трюк, який використовується в експериментальних датчиках з поміжною допомогою шуму та у деяких низькопотужних бездротових дизайнах.

Моделювання

Вищенаведена рівняння Лангевина є стохастичним диференціальним рівнянням, і найпростіший правильний спосіб його просування вперед - це метод Ейлера-Маруヤマ: розглядайте детермінований зсув як звичайний крок Ейлера та додавайте незалежний гаусовий удар, масштабований на √(2D·dt) на кожному кроці.

// Крок Ейлера-Маруヤマ для рівняння Лангевина з подвійним мінімумом const drift = a * x - b * x*x*x + A * Math.cos(omega * t); x += drift * dt + Math.sqrt(2 * D * dt) * gaussianRandom(); t += dt; Два практичні пастки. По-перше, dt має бути невеликим порівняно з часом кривизни поблизу дна ями (приблизно 1/a), інакше дискретизація сама по собі стає нестабільною та частинка "котується" чисельно замість фізичного. По-друге, оцінка SNR потребує достатньої кількості незалежних часових рядів, середніх із них — один FFT шумного траєкторії є шумним сам по собі, і пік SR може бути розмитий у невидимість, якщо ви не збагачуєте багато пробігів або багато довгих вікон.

// 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;

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Stochastic Resonance і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.