論文の概要: Anticipating synchronization with machine learning

• arxiv url: http://arxiv.org/abs/2103.13358v1
• Date: Sat, 13 Mar 2021 03:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 01:00:55.925782
• Title: Anticipating synchronization with machine learning
• Title（参考訳）: 機械学習による同期予測
• Authors: Huawei Fan, Ling-Wei Kong, Ying-Cheng Lai, Xingang Wang
• Abstract要約: 動的システムの応用においては、同期の開始を予測することが望ましい。 我々は,モデルフリーかつデータ駆動の予測フレームワークを開発した。 代表的なカオスモデルと小さなネットワークシステムを用いた機械学習ベースのフレームワークを実証する。
• 参考スコア（独自算出の注目度）: 1.0958014189747356
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In applications of dynamical systems, situations can arise where it is desired to predict the onset of synchronization as it can lead to characteristic and significant changes in the system performance and behaviors, for better or worse. In experimental and real settings, the system equations are often unknown, raising the need to develop a prediction framework that is model free and fully data driven. We contemplate that this challenging problem can be addressed with machine learning. In particular, exploiting reservoir computing or echo state networks, we devise a "parameter-aware" scheme to train the neural machine using asynchronous time series, i.e., in the parameter regime prior to the onset of synchronization. A properly trained machine will possess the power to predict the synchronization transition in that, with a given amount of parameter drift, whether the system would remain asynchronous or exhibit synchronous dynamics can be accurately anticipated. We demonstrate the machine-learning based framework using representative chaotic models and small network systems that exhibit continuous (second-order) or abrupt (first-order) transitions. A remarkable feature is that, for a network system exhibiting an explosive (first-order) transition and a hysteresis loop in synchronization, the machine learning scheme is capable of accurately predicting these features, including the precise locations of the transition points associated with the forward and backward transition paths.
• Abstract（参考訳）: 動的システムのアプリケーションでは、同期の開始を予測することが望まれる状況が発生する可能性がある。 実験と実環境では、システム方程式はしばしば未知であり、モデルフリーで完全にデータ駆動の予測フレームワークを開発する必要性が高まる。 この難しい問題は機械学習で解決できると考えています。 特に、貯水池計算やエコー状態ネットワークを利用して、同期の開始前のパラメータ状態において、非同期時系列を用いてニューラルマシンをトレーニングする"パラメータ認識"スキームを考案する。 適切に訓練されたマシンは、所定のパラメータドリフト量で同期遷移を予測する能力を持ち、システムが非同期のままなのか同期ダイナミクスを示すのかを正確に予測することができる。 代表的なカオスモデルと,連続的(第2次)あるいは突然(第1次)遷移を示す小さなネットワークシステムを用いて,機械学習ベースのフレームワークを実演する。 注目すべき特徴は、爆発的な(一階の)遷移とヒステリシスループを同期に示すネットワークシステムにおいて、機械学習スキームは、前方および後方の遷移経路に関連する遷移点の正確な位置を含むこれらの特徴を正確に予測することができることである。

関連論文リスト

• ALERT-Transformer: Bridging Asynchronous and Synchronous Machine Learning for Real-Time Event-based Spatio-Temporal Data [8.660721666999718]
  非同期センシングと同期処理を組み合わせたハイブリッドパイプラインを提案する。 競争相手よりもレイテンシの低い最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-02-02T13:17:19Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Constraints on parameter choices for successful reservoir computing [0.0]
  時系列予測の成功に必要となる他の条件について検討する。 予測性能の重要なパラメータを2つ同定し、予測が成功した領域を見つけるためにパラメータスイープを実行する。
  論文  参考訳（メタデータ） (2022-06-03T12:10:48Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Stability and Identification of Random Asynchronous Linear Time-Invariant Systems [81.02274958043883]
  線形力学系の安定性に対するランダム化と非同期化の付加的な利点を示す。 未知のランダム化LTIシステムに対して,基礎となる力学を復元するための系統的同定手法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T02:00:04Z)
• Machine learning prediction of critical transition and system collapse [0.0]
  非線形力学における2つの問題に対する自由機械学習に基づく解法を開発した。 機械がカオス的誘引器で通常の機能体制で訓練された場合、遷移点を正確に予測できることを実証する。 臨界点をドリフトするパラメータに対して、入力パラメータチャネルを持つマシンは、システムが過渡状態になるだけでなく、最終崩壊前の平均過渡時間も予測できる。
  論文  参考訳（メタデータ） (2020-12-02T21:38:54Z)
• Event-based Asynchronous Sparse Convolutional Networks [54.094244806123235]
  イベントカメラはバイオインスパイアされたセンサーで、非同期でスパースな「イベント」の形で画素ごとの明るさ変化に反応する。 同期画像のようなイベント表現で訓練されたモデルを、同じ出力を持つ非同期モデルに変換するための一般的なフレームワークを提案する。 理論的および実験的に、これは高容量同期ニューラルネットワークの計算複雑性と遅延を大幅に減少させることを示す。
  論文  参考訳（メタデータ） (2020-03-20T08:39:49Z)
• Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
  我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
  論文  参考訳（メタデータ） (2020-02-10T23:21:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。