論文の概要: Model-free inference of unseen attractors: Reconstructing phase space features from a single noisy trajectory using reservoir computing

• arxiv url: http://arxiv.org/abs/2108.04074v1
• Date: Fri, 6 Aug 2021 07:40:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:01:43.720910
• Title: Model-free inference of unseen attractors: Reconstructing phase space features from a single noisy trajectory using reservoir computing
• Title（参考訳）: 未知の誘引子のモデルフリー推論:貯水池計算を用いた単一ノイズ軌道からの位相空間特徴の再構成
• Authors: Andr\'e R\"ohm and Daniel J. Gauthier and Ingo Fischer
• Abstract要約: 貯留層コンピュータはカオス時系列予測のための強力なツールである。 複雑なシステムの力学を学習する能力は、既存のアトラクションを持つシステムにも拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reservoir computers are powerful tools for chaotic time series prediction. They can be trained to approximate phase space flows and can thus both predict future values to a high accuracy, as well as reconstruct the general properties of a chaotic attractor without requiring a model. In this work, we show that the ability to learn the dynamics of a complex system can be extended to systems with co-existing attractors, here a 4-dimensional extension of the well-known Lorenz chaotic system. We demonstrate that a reservoir computer can infer entirely unexplored parts of the phase space: a properly trained reservoir computer can predict the existence of attractors that were never approached during training and therefore are labelled as unseen. We provide examples where attractor inference is achieved after training solely on a single noisy trajectory.
• Abstract（参考訳）: 貯水池コンピュータはカオス時系列予測のための強力なツールである。 それらは位相空間の流れを近似するよう訓練することができ、したがって将来の値を高い精度で予測し、またモデルを必要とすることなくカオス的アトラクタの一般特性を再構築することができる。 本研究では, 複雑な系のダイナミクスを学習する能力が, 共存するアトラクタを持つ系にも拡張できることを示し, よく知られているロレンツカオス系の4次元拡張を示す。 適切に訓練された貯水池コンピュータは、トレーニング中に接近したことのない誘引器の存在を予測でき、したがって見当たらないものとしてラベル付けされる。 本研究では,1つの雑音軌跡のみを訓練し,アトラクタ推定を行う例を示す。

関連論文リスト

• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• Effect of temporal resolution on the reproduction of chaotic dynamics via reservoir computing [0.0]
  貯水池コンピューティング(Reservoir computing)は、非線形性と短期記憶を備えた貯水池と呼ばれる構造を用いる機械学習パラダイムである。 本研究では,サンプリングが貯水池コンピューティングのカオス時系列を自律的に再生する能力に与える影響を解析する。
  論文  参考訳（メタデータ） (2023-01-27T13:31:15Z)
• Dissipation as a resource for Quantum Reservoir Computing [3.4078654008228924]
  量子貯水池計算の分野における散逸によるポテンシャル増強について述べる。 連続散逸に基づく我々のアプローチは、従来の量子貯水池計算の提案の力学を再現するだけでなく、その応用も可能である。
  論文  参考訳（メタデータ） (2022-12-22T23:30:07Z)
• Growth of entanglement of generic states under dual-unitary dynamics [77.34726150561087]
  デュアルユニタリ回路(英: Dual-unitary circuits)は、局所的に相互作用する量子多体系のクラスである。 特に、それらは「可解」な初期状態のクラスを認めており、熱力学の極限では、完全な非平衡力学にアクセスできる。 この場合、時間段階における絡み合いの増大は有限時間に対して極大であるが、無限時間極限における極大値に近付く。
  論文  参考訳（メタデータ） (2022-07-29T18:20:09Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Absolutely Stable Spatiotemporal Order in Noisy Quantum Systems [0.0]
  単元的あるいは散逸的摂動に対して、無限に長寿命な離散次数を示す非単元的量子力学のモデルを導入する。 クリフォード回路の2次元数値シミュレーションを用いて,この主張を実証する。
  論文  参考訳（メタデータ） (2021-11-03T19:52:15Z)
• Universal set of Observables for Forecasting Physical Systems through Causal Embedding [0.0]
  我々は、基底となる力学系や観測の左無限軌道全体が、異なる空間にある一対の要素によって一意に表現できる時と方法を示す。 そのようなペアの集まりは、駆動力学系から派生したもので、駆動系と共に関数を学ぶために用いられる: (つまり、トポロジカルに基底系に共役する系を決定する。
  論文  参考訳（メタデータ） (2021-05-22T16:28:57Z)
• Discrete-time signatures and randomness in reservoir computing [8.579665234755478]
  貯留層計算は、ランダムに選択されたリカレントニューラルネットワークと訓練された線形読み出し層で入出力系を近似する可能性である。 強い普遍的な貯水池システム(英語版)と呼ばれるものを構築することで、この現象に光が当たっている。 投射された貯水池システムの生成に必要な確率分布の明示表現を記述し、コミット近似誤差のバウンダリを提供する。
  論文  参考訳（メタデータ） (2020-09-17T10:55:59Z)
• 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。