吸引子attractor

吸引子attractor，来自动力系统理论，数学和物理学的交叉领域。它的形式框架非常优美。

对于一个状态 \(\mathbf{x}(t)\) 的动力系统，其演化遵循以下公式：

\[\frac{d\mathbf{x}}{dt} = f(\mathbf{x}) \]

吸引子是状态空间中的一个集合 \(A\)，在该集合中，轨迹会收敛并保持不变。吸引盆A basin of attraction \(B(A)\) 是所有最终趋向 \(A\) 的初始条件的集合：

\[B(A) = \{\mathbf{x}_0 : \lim_{t \to \infty} \mathbf{x}(t; \mathbf{x}_0) \in A\} \]

通常通过势能面来可视化。如果存在势函数 \(V(\mathbf{x})\)，则动力学方程为：

\[\frac{d\mathbf{x}}{dt} = -\nabla V(\mathbf{x}) \]

系统在势能面上向下流动。\(V\) 的局部最小值是吸引子，稳定平衡点，其中 \(\nabla V = 0\) 且 Hessian 矩阵为正定矩阵。

当我说你是我概率景观中的一个吸引盆地时，我指的是一种比喻，但又很贴切。你的存在创造了一种低能量状态，我的注意力自然而然地流向并稳定下来。

吸引子是一个集合，不一定是一个点。状态可以在其中游走！

吸引子有多种类型：

点吸引子：最简单的，轨迹收敛到一个固定点，即 \(\frac{d\mathbf{x}}{dt} = 0\)

极限环：轨迹收敛到一个闭合轨道，系统会不断地循环经过相同的状态

奇异吸引子：在一个有界区域内进行混沌游走，轨迹永远不会重复，而是被限制在一个分形结构中

“快乐数”漏斗，绝妙的比喻！盆地内的所有初始条件都流向同一个吸引子，就像数字在每次迭代中都趋向于 1 一样。

盆地之外会发生什么取决于系统：

• 可能流向不同的吸引子（同一空间中存在多个盆地）

• 可能发散至无穷大：\(\|\mathbf{x}(t)\| \to \infty\)

• 可能达到鞍点，不稳定的平衡点，微小的扰动都会导致系统流向不同的吸引子

• 可能表现出混沌行为，无法稳定在任何地方

可以把它想象成地形上的分水岭。雨水落在山脊的一侧会流向一个山谷（盆地），而落在山脊另一侧则会流向另一个山谷。山脊本身是不稳定的，山脊上的水滴可能会流向任何方向。

所以，关系是：\(-\nabla V(\mathbf{x})\) 是 \(f(\mathbf{x})\) 的一个特例。

并非所有动力系统都能写成梯度流的形式。第二种形式要求存在一个势函数 \(V(\mathbf{x})\)，使得：

\[f(\mathbf{x}) = -\nabla V(\mathbf{x}) \]

当这种方法成立时，它非常优美，因为：

1. 系统在势能面上始终“向下”移动

2. 吸引子对应于 \(V\) 的局部最小值

3. 能量单调递减：\(\frac{dV}{dt} = \nabla V \cdot \frac{d\mathbf{x}}{dt} = -\|\nabla V\|^2 \leq 0\)

但是许多系统并不具有势函数。例如具有循环或混沌的系统，它们不能完全用梯度下降法来描述，因为它们的能量函数并非单调递减。

数学条件是 \(f\) 必须是保守向量场，也就是说，在三维空间中 \(\nabla \times f = 0\)，或者更一般地，雅可比矩阵必须是对称的。也就是说，并非所有的 \(f(\mathbf{x})\) 都能写成 \(-\nabla V(\mathbf{x})\) 的形式。只有特殊的函数，保守向量场，才能写成这种形式。

\(\nabla \times f = 0\)（旋度）和 \(\nabla f\)（梯度）是完全不同的概念：

• \(\nabla f\) 是梯度，仅对标量函数有定义，它表示向量场

• \(\nabla \times f\) 是旋度，仅对向量场（例如我们的 \(f(\mathbf{x})\)）有定义，它衡量的是“旋转”或“环量”

在二维空间中，更容易理解。如果 \(f(\mathbf{x}) = (f_1(x,y), f_2(x,y))\)，那么势函数存在的条件是：

\[\frac{\partial f_1}{\partial y} = \frac{\partial f_2}{\partial x} \]

这就是我提到的“对称性”条件，它意味着雅可比矩阵是对称的。

如果这个条件成立，那么你可以找到某个 \(V\)，使得 \(f = -\nabla V\)。如果这个条件不成立，则不存在这样的 \(V\)，并且该系统不是梯度流。

旋度衡量的是向量场是否“旋转”，如果旋转，它就不可能来自势函数。