對(duì)于那些擅長(zhǎng)于用微分方程、概率論解決問(wèn)題的數(shù)學(xué)家們來(lái)說(shuō)，素有“黑盒子”之稱機(jī)器學(xué)習(xí)往往是要被踢到鄙視鏈底端的。

但是，在與各行各業(yè)中，絕大多數(shù)公司（小到初創(chuàng)公司，大到國(guó)際巨鱷）都在尋求運(yùn)用機(jī)器學(xué)習(xí)的方法。隨著企業(yè)不斷地將機(jī)器學(xué)習(xí)融入其文化與組織中，這事也變得越來(lái)越普遍。

有意思的是，在本科和碩士教育中，數(shù)學(xué)專業(yè)內(nèi)部居然也都彌漫起了機(jī)器學(xué)習(xí)的熱潮。舉例說(shuō)，牛津大學(xué)的“深度學(xué)習(xí)理論”碩士課程在其設(shè)立的第一年就被超額報(bào)名。

更驚人的是，很多數(shù)學(xué)博士生打算將機(jī)器學(xué)習(xí)嵌入到它們的研究課題中，從而形成將“傳統(tǒng)”（ODE和PDE）和“現(xiàn)代”（深度學(xué)習(xí)）相結(jié)合和新型混合模型。

所以，機(jī)器學(xué)習(xí)是否會(huì)最終取代數(shù)學(xué)建模？

如果數(shù)學(xué)模型在科研領(lǐng)域無(wú)法突破，我們最終是否會(huì)使用機(jī)器學(xué)習(xí)的方法來(lái)獲得建模上的進(jìn)展呢？

當(dāng)然不是！我認(rèn)為，機(jī)器學(xué)習(xí)和數(shù)學(xué)模型應(yīng)當(dāng)是互補(bǔ)的關(guān)系——充分結(jié)合二者的力量一定會(huì)產(chǎn)生有趣的新模型。

為了說(shuō)明我的觀點(diǎn)，我構(gòu)想了一個(gè)例子，讓我們開啟一趟科技文明之旅！在這個(gè)虛構(gòu)的文明中，機(jī)器學(xué)習(xí)相當(dāng)發(fā)達(dá)，然而這個(gè)文明的數(shù)學(xué)卻糟糕得很，尤其是還不會(huì)微積分。

一個(gè)虛構(gòu)的文明

假設(shè)我們正處于一個(gè)微積分落后但深度學(xué)習(xí)發(fā)達(dá)的科技文明中。

和大多數(shù)文明一樣，它們都致力于用炮彈攻擊自己的對(duì)手。兩位來(lái)自同一陣營(yíng)的科學(xué)家在對(duì)他們剛發(fā)行的大炮的攻擊范圍進(jìn)行建模。

科學(xué)家可以控制下列因素：

大炮里裝載的彈藥總量（例如炮彈的發(fā)射速度）

大炮的角度

科學(xué)家可以測(cè)量下列內(nèi)容：

彈丸從大炮中射出去的直線距離。

*假設(shè)地面完全水平。

從數(shù)學(xué)的角度上，他們希望找到一個(gè)模型/函數(shù)F，這個(gè)函數(shù)能基于所有速度v和角度θ進(jìn)行預(yù)測(cè)。

s=F(v,θ)

使得這個(gè)結(jié)果接近于真實(shí)的行進(jìn)距離。

由于沒有炮彈在空中移動(dòng)的相關(guān)知識(shí)儲(chǔ)備，科學(xué)家們采用了數(shù)據(jù)驅(qū)動(dòng)的方式。

數(shù)據(jù)采集

科學(xué)家們用一天的時(shí)間來(lái)以各種火力及角度進(jìn)行大炮射擊。每次他們點(diǎn)火發(fā)射，他們都會(huì)測(cè)量發(fā)射點(diǎn)和炮彈終點(diǎn)間的距離。但是，他們的測(cè)量結(jié)果并不完全精確，每次測(cè)量都會(huì)引入一些誤差。

在那一天的時(shí)間中，他們打算發(fā)射1000次炮彈，產(chǎn)生1000個(gè)三元數(shù)組(vi,θi,si)，其中θi是弧度制的。

這些數(shù)據(jù)點(diǎn)分布如下圖所示：

不用模型的方法

解決問(wèn)題的最簡(jiǎn)單方法就是不使用模型，因?yàn)閿?shù)據(jù)就能化身為模型！在這種方法中，他們選用那些最接近于他們想預(yù)測(cè)的情景的歷史數(shù)據(jù)，使用這些歷史數(shù)據(jù)當(dāng)作預(yù)測(cè)模型（即KNN模型）。例如：

這種純數(shù)據(jù)驅(qū)動(dòng)的方式有著明顯的缺點(diǎn)。如果他們獲得的數(shù)據(jù)不能覆蓋所有的輸入可能性，或者數(shù)據(jù)過(guò)于稀疏，這種方式就會(huì)產(chǎn)生問(wèn)題。在這個(gè)例子中，如果要預(yù)測(cè)速度大于10的射擊距離，沒有模型的話他們就無(wú)法進(jìn)行精準(zhǔn)預(yù)測(cè)。

基于線性模型的方法

從數(shù)據(jù)看來(lái)，他們期望的函數(shù)是非線性的，而且線性模型不可能將結(jié)果預(yù)測(cè)得很準(zhǔn)確。但是，線性模型并非完全沒有價(jià)值，在很多應(yīng)用場(chǎng)景下它是一種基礎(chǔ)模型，所以這兩位科學(xué)家決定先用個(gè)線性模型試試。

線性模型的數(shù)學(xué)表達(dá)如下：

在表達(dá)式中，wi∈R是權(quán)重，b∈R是偏移項(xiàng)，這些值都會(huì)被確定下來(lái)。我們用PyTorch實(shí)現(xiàn)線性模型，并使用隨機(jī)隨機(jī)梯度下降法（當(dāng)然還有其他更好更簡(jiǎn)單的方法）尋找模型參數(shù)。

正如預(yù)期的那樣，建模結(jié)果非常糟糕。

“黑盒”登場(chǎng)——深度神經(jīng)網(wǎng)絡(luò)

科學(xué)家們?cè)跈C(jī)器學(xué)習(xí)研究和計(jì)算框架設(shè)計(jì)方面投入了大量資金，因此他們?cè)诿鎸?duì)問(wèn)題時(shí)喜歡以深度神經(jīng)網(wǎng)絡(luò)的方式構(gòu)想解決方案。說(shuō)白了就是，他們喜歡使用多層感知器系統(tǒng)，它包含有多個(gè)線性層，層與層之間靠非線性激活函數(shù)相連。模型可以按如下形式描述：

我們用Adam optimizer對(duì)模型進(jìn)行訓(xùn)練，結(jié)果如下：

對(duì)于在這方面沒有經(jīng)驗(yàn)的人，在看到神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果的時(shí)候，基本都會(huì)感到驚嘆！至今為止，這也是深度學(xué)習(xí)流傳盛廣的主要原因——它不但有用，且效果顯著。只是我們并不知道為什么。

用數(shù)學(xué)語(yǔ)言刻畫“準(zhǔn)線性方法”

在上述的黑匣子模型中，科學(xué)家們有一個(gè)能夠準(zhǔn)確預(yù)測(cè)大炮射擊距離的模型，但顧名思義，他們對(duì)模型的形式?jīng)]有直觀理解?？茖W(xué)家們熱衷于在使用機(jī)器學(xué)習(xí)方法的同時(shí)恢復(fù)這種直觀理解，并重新使用線性模型。

我們高中的時(shí)候都學(xué)過(guò)三角函數(shù)，科學(xué)家們認(rèn)為這個(gè)問(wèn)題可能會(huì)涉及一些三角函數(shù)與速度的乘積。于是他們把模型寫成非線性基函數(shù)的線性組合：

把非線性嵌入到線性模型之后，模型可以像線性模型一樣計(jì)算參數(shù)。優(yōu)化后，模型為：

在這種情況下，除了sin(2θ)的參數(shù)，優(yōu)化將其他所有參數(shù)歸零。

將F與數(shù)據(jù)進(jìn)行比較，他們發(fā)現(xiàn)模型非常具有預(yù)測(cè)性。不僅如此，模型的公式短小精練！當(dāng)然，他們能選中三角函數(shù)也是非?！靶疫\(yùn)”了。

數(shù)學(xué)方法——無(wú)數(shù)據(jù)模型

很多年后，微積分終于被發(fā)現(xiàn)了！于是，兩位老科學(xué)家開始重新審視這個(gè)問(wèn)題。

1.假設(shè)方程

低速炮彈的物理模型非常簡(jiǎn)單。炮彈有垂直向下的重力加速度，恒定為-g。由于在x方向上沒有作用在射彈上的力，它始終保持其初始速度。該模型可以寫成二階微分方程組：

初值條件為：

后兩個(gè)方程式描述了炮彈最初發(fā)射時(shí)的速度的水平和垂直分量。這些方程描述了系統(tǒng)，但如何解決這些問(wèn)題呢？

2.數(shù)值積分

通常在數(shù)學(xué)中，寫下微分方程是一個(gè)簡(jiǎn)單的部分，大部分時(shí)間都花在試圖解決它們上面！

他們寫出了該問(wèn)題的一階常微分方程（ODE）：

初值條件為：

易證這兩個(gè)方程相同。

積分在數(shù)學(xué)中無(wú)處不在，有多種方法來(lái)進(jìn)行數(shù)值積分。最簡(jiǎn)單和最直觀的方法是歐拉方程，它從初始點(diǎn)開始，并在該點(diǎn)的梯度方向上走一小步，即：

使用數(shù)值積分，可以準(zhǔn)確地預(yù)測(cè)炮彈的整個(gè)軌跡。

著陸點(diǎn)的位置是x（t*），它們可以從預(yù)測(cè)的軌跡中提取。

相比于機(jī)器學(xué)習(xí)模型，這一數(shù)學(xué)模型的一個(gè)明顯優(yōu)勢(shì)是，我們可以很輕易地解決更復(fù)雜的問(wèn)題——例如不平坦的地面，或者從塔上發(fā)射炮彈（y（0）≠0）

3.直接求解

最后，兩位科學(xué)家使用了積分來(lái)求解，事實(shí)證明問(wèn)題并非如此困難。x和y的方程可以獨(dú)立求解。通過(guò)求解每個(gè)方程（并應(yīng)用初始條件）給出。

他們以x和y坐標(biāo)作為時(shí)間的函數(shù)。什么時(shí)候射彈擊中了地面呢？當(dāng)y=0時(shí)！即：

求解t*=0（大炮射擊之前），并求解t*=2vsinθg（當(dāng)它擊中地面時(shí)）。將第二個(gè)t*值插入到x的等式中，得到最終的行進(jìn)距離，等于：

那么他們的最終預(yù)測(cè)模型就是

他們發(fā)現(xiàn)這與準(zhǔn)線性方法吻合。實(shí)際上，準(zhǔn)線性方法也給出了他們對(duì)引力常數(shù)的估計(jì)。

神經(jīng)常微分方程方法-學(xué)習(xí)動(dòng)力系統(tǒng)

最后，假設(shè)他們不知道物理模型，只有一個(gè)常微分方程系統(tǒng)

其中f1和f2是未知的（為簡(jiǎn)潔起見省略虛擬變量）。

NIPS最近發(fā)表的一篇論文（https://papers.nips.cc/paper/7892-neural-ordinary-differential-equations）提出了一種學(xué)習(xí)常微分系統(tǒng)的方法。簡(jiǎn)而言之，它通過(guò)用神經(jīng)網(wǎng)絡(luò)替換f1，f2并數(shù)值積分神經(jīng)網(wǎng)絡(luò)來(lái)獲得軌跡來(lái)實(shí)現(xiàn)這一點(diǎn)。學(xué)習(xí)可以正常進(jìn)行，因?yàn)閿?shù)值積分方法具有明確定義的梯度。在他們的例子中，如果科學(xué)家可以隨時(shí)間跟蹤炮彈的位置，即數(shù)據(jù)（xi，yi，ti），那么他們?cè)瓌t上可以恢復(fù)物理模型并了解物體隨著時(shí)間的推移而下降加速。這是一個(gè)令人興奮的深度學(xué)習(xí)新應(yīng)用，它開啟了學(xué)習(xí)系統(tǒng)行為的可能性，而不是簡(jiǎn)單地學(xué)習(xí)它們的輸出。

我們學(xué)到了什么？

我們生活在一個(gè)幸運(yùn)的年代，可以通過(guò)數(shù)百種不同的方式解決一個(gè)簡(jiǎn)單的問(wèn)題。此外，在上述“黑盒”方法中，我們也可以將神經(jīng)網(wǎng)絡(luò)換成其他模型，并用上其他的優(yōu)化方法。這突出了機(jī)器學(xué)習(xí)在數(shù)學(xué)中的作用——它是我們用以理解世界和做出預(yù)測(cè)的許多強(qiáng)大工具之一。

數(shù)學(xué)家對(duì)數(shù)學(xué)模型是可解釋的，是直觀的，而深度學(xué)習(xí)模型正好相反。在我舉的例子中，構(gòu)建數(shù)學(xué)模型并用機(jī)器學(xué)習(xí)填補(bǔ)空白（比如估測(cè)引力常數(shù)）可以帶來(lái)更好的準(zhǔn)確性和更快的計(jì)算。

如果我們能夠盡可能多地融入物理理論，并利用機(jī)器學(xué)習(xí)來(lái)填補(bǔ)我們的知識(shí)空白，那么我們就有機(jī)會(huì)解決更復(fù)雜的問(wèn)題。通常機(jī)器學(xué)習(xí)用于參數(shù)擬合，但在混合模型中，我們也可以用它來(lái)預(yù)測(cè)更復(fù)雜系統(tǒng)中的函數(shù)組成部分。

我相信，隨著理論和技術(shù)的進(jìn)步，我們將在未來(lái)看到許多混合模型。因此，數(shù)學(xué)建模和機(jī)器學(xué)習(xí)建模也應(yīng)當(dāng)是“合作關(guān)系”，而非“競(jìng)爭(zhēng)關(guān)系”。