arXivに投稿された新しい論文で、Xingji Cui氏は「メカニカル・フィールド・ネットワーク（MF-Net）」と呼ばれるリカレント動的モデルを提案した。多変量動的システムはしばしば軌道のみを通じて観測され、その共同ダイナミクスを支配するメカニズムは隠されたままである。既存の手法では、解釈可能なダイナミクスを課すか、柔軟な状態遷移を学習するかのいずれかであったが、結果として得られる相互作用構造は事前に指定されるか、学習されたダイナミクス内に暗黙的に留まることが多かった。MF-Netは、すべての変数を共有フィールド状態として表現し、学習された関係則を通じてこの状態を更新する。
MF-Netの核心は、各変数がフィールド成分を持ち、これらの成分が学習可能な「機械的」遷移を通じて共同で進化する点にある。ここで「機械的」とは、関係から運動への組織化を指し、学習された関係が状態依存の流れ、フィールド応答、運動傾向を形成してフィールド状態を前進させる。この構造はロールアウト自体に組み込まれており、学習された関係がフィールドの動き方に影響を与え、同じ内部量が予測と構造読み出しの両方を支える。
著者は、既知の法則を持つ相互作用システム、カオス的ベンチマーク、実際の神経記録、生態時系列など、複数のシナリオでMF-Netを評価した。40次元のLorenz-96テストベッドでは、MF-Netは8ステップ先予測の決定係数R²が0.798±0.018に達し、競争力のある短中期予測性能を示した。さらに、5つのシードで学習された関係行列は局所結合サポートを回復し、局所/非局所強度比は19.80±1.00、Precision@Kは1.000±0.000であり、構造読み出しの高精度を示している。
MF-Netは構造可読な動的モデリングフレームワークを提供し、学習された関係は順方向の進化を通じて訓練され、実データ上では適切な観測制限の下で機能的予測結合として解釈できる。この研究は、予測性能とメカニズム発見を両立する多変量時系列分析への新しい道を開くものである。