論文の概要: Inferring untrained complex dynamics of delay systems using an adapted
echo state network
- arxiv url: http://arxiv.org/abs/2111.03706v1
- Date: Fri, 5 Nov 2021 19:09:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 17:09:22.043493
- Title: Inferring untrained complex dynamics of delay systems using an adapted
echo state network
- Title(参考訳): 適応エコー状態ネットワークを用いた遅延系の非訓練複素ダイナミクスの推定
- Authors: Mirko Goldmann, Claudio R. Mirasso, Ingo Fischer, Miguel C. Soriano
- Abstract要約: 任意の遅延を伴う系の物理に適応可能なエコー状態ネットワークを提案する。
ネットワークのトポロジの簡単な適応により、より短く、より長い遅延で現れる訓練されていない特徴を推測することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Caused by finite signal propagation velocities, many complex systems feature
time delays that may induce high-dimensional chaotic behavior and make
forecasting intricate. Here, we propose an echo state network adaptable to the
physics of systems with arbitrary delays. After training the network to
forecast a system with a unique and sufficiently long delay, it already learned
to predict the system dynamics for all other delays. A simple adaptation of the
network's topology allows us to infer untrained features such as
high-dimensional chaotic attractors, bifurcations, and even multistabilities,
that emerge with shorter and longer delays. Thus, the fusion of physical
knowledge of the delay system and data-driven machine learning yields a model
with high generalization capabilities and unprecedented prediction accuracy.
- Abstract(参考訳): 有限信号伝播速度により、多くの複雑な系は、高次元のカオス的振る舞いを誘発し、予測を複雑にする時間遅延を特徴とする。
本稿では,任意の遅延を持つ系の物理に適応可能なエコー状態ネットワークを提案する。
ネットワークをトレーニングして、ユニークで十分に長い遅延でシステムを予測した後、システムダイナミクスを他のすべての遅延に対して予測することを学びました。
ネットワークトポロジーの単純な適応により、より短く長い遅延で現れる高次元カオスアトラクタ、分岐、さらには多重安定性など、訓練されていない特徴を推測することができる。
このように、遅延システムの物理的知識とデータ駆動機械学習の融合は、高い一般化能力と前例のない予測精度のモデルをもたらす。
関連論文リスト
- RefreshNet: Learning Multiscale Dynamics through Hierarchical Refreshing [0.0]
RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。
RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。
論文 参考訳(メタデータ) (2024-01-24T07:47:01Z) - 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) - Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。
FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。
私たちのコードは公開されます。
論文 参考訳(メタデータ) (2022-02-23T18:23:07Z) - 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) - Discovery of slow variables in a class of multiscale stochastic systems
via neural networks [0.0]
本研究では,システムから遅い表現を抽出するマップを,人工ニューラルネットワークにエンコードする新しい手法を提案する。
我々は、このメソッドを、正しいスロー表現を見つける能力を示すいくつかの例でテストする。
論文 参考訳(メタデータ) (2021-04-28T17:48:25Z) - Training cascaded networks for speeded decisions using a
temporal-difference loss [39.79639377894641]
ディープフィードフォワードニューラルネットワークは、順次動作する。
本研究では,各残差ブロックに伝搬遅延を導入し,カスケード化されたResNetを構築する。
スキップ接続を介して送信される情報は遅延を避けるため、アーキテクチャの機能的深さは時間とともに増加する。
論文 参考訳(メタデータ) (2021-02-19T08:40:19Z) - Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。
本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。
時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文 参考訳(メタデータ) (2020-07-22T12:19:40Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Long-term prediction of chaotic systems with recurrent neural networks [1.1499361198674167]
貯水池計算システムは, 様々なカオス力学系の状態進化をモデルフリーでデータベースで予測するために最近利用されている。
我々は,時間依存型だがスパースなデータ入力を貯水池コンピューティングに組み込んで,実際の状態のこのような稀な「更新」によって,任意に長い予測水平線が実現できることを実証する。
論文 参考訳(メタデータ) (2020-03-06T18:59:44Z) - Using AI for Mitigating the Impact of Network Delay in Cloud-based
Intelligent Traffic Signal Control [8.121462458089143]
本稿では,強化学習に基づく新しい信号制御アルゴリズムを提案する。
本稿では,ネットワーク遅延が重要な問題となるすべてのエージェントベースシステムに有効なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-19T17:30:07Z) - 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。