論文の概要: Neural Echo State Network using oscillations of gas bubbles in water:
Computational validation by Mackey-Glass time series forecasting
- arxiv url: http://arxiv.org/abs/2112.11592v1
- Date: Wed, 22 Dec 2021 00:21:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 16:23:18.812032
- Title: Neural Echo State Network using oscillations of gas bubbles in water:
Computational validation by Mackey-Glass time series forecasting
- Title(参考訳): 水中のガス気泡振動を用いたニューラルエコー状態ネットワーク:マッキーグラス時系列予測による計算検証
- Authors: Ivan S. Maksymov and Andrey Pototsky and Sergey A. Suslov
- Abstract要約: 本研究では,水中で発振するガス気泡のクラスターの音響応答の非線形性と標準エコー状態ネットワーク(ESN)アルゴリズムを組み合わせたRCシステムを提案する。
提案したRCシステムの妥当性を,ESNの効率でカオスなマッキーグラス時系列を予測できることを示し,計算的に検証した。
- 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: Physical reservoir computing (RC) is a computational framework, where machine
learning algorithms designed for digital computers are executed using analog
computer-like nonlinear physical systems that can provide high computational
power for predicting time-dependent quantities that can be found using
nonlinear differential equations. Here we suggest an RC system that combines
the nonlinearity of an acoustic response of a cluster of oscillating gas
bubbles in water with a standard Echo State Network (ESN) algorithm that is
well-suited to forecast nonlinear and chaotic time series. We computationally
confirm the plausibility of the proposed RC system by demonstrating its ability
to forecast a chaotic Mackey-Glass time series with the efficiency of ESN.
- Abstract(参考訳): 物理貯水池コンピューティング(英: physical storage computing, RC)は、デジタルコンピュータ用に設計された機械学習アルゴリズムをアナログコンピュータのような非線形物理システムを用いて実行し、非線形微分方程式を用いて得られる時間依存量の予測に高い計算能力を提供する計算フレームワークである。
本稿では,水中で発振するガス気泡のクラスターの音響応答の非線形性と,非線形およびカオス時系列の予測に適した標準的なエコー状態ネットワーク(ESN)アルゴリズムを組み合わせることを提案する。
提案したRCシステムの妥当性を,ESNの効率でカオスなマッキーグラス時系列を予測できることを示し,計算的に検証した。
関連論文リスト
- MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。
特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。
4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文 参考訳(メタデータ) (2025-01-27T12:15:51Z) - Reservoir Computing Using Measurement-Controlled Quantum Dynamics [0.0]
共振器内のプローブ原子の力学を利用する量子RCシステムを提案する。
提案した量子貯水池は、少数の人工ニューロンを用いて高速で信頼性の高い予測を行うことができる。
論文 参考訳(メタデータ) (2024-03-01T22:59:41Z) - Physical Reservoir Computing Enabled by Solitary Waves and
Biologically-Inspired Nonlinear Transformation of Input Data [0.0]
Reservoir Computing (RC) システムはランダム接続を持つ人工ニューラルネットワークの非線形力学特性を用いてカオス時系列を効率的に予測することができる。
本稿では,生体内脳内の非線形過程に着想を得て,入力データの非線形変換にランダム性の影響を代用する物理RCシステムについて実験的に検証する。
論文 参考訳(メタデータ) (2024-01-03T06:22:36Z) - Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。
本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。
大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
論文 参考訳(メタデータ) (2023-09-01T18:02:04Z) - 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) - Reservoir computing based on solitary-like waves dynamics of film flows:
a proof of concept [0.0]
傾斜面を流れる液膜表面を伝搬する孤立性(SL)波を初めて利用した新しい貯水池計算(RC)システムを提案し,実験的に検証した。
本稿では,SL波RCシステムによるカオス時系列の予測と,本質的なベンチマーク試験に合格する能力を示す。
論文 参考訳(メタデータ) (2023-03-03T09:17:53Z) - Online Real-time Learning of Dynamical Systems from Noisy Streaming
Data: A Koopman Operator Approach [0.0]
ノイズの多い時系列データから動的システムのオンラインリアルタイム学習のための新しいアルゴリズムを提案する。
提案アルゴリズムはロバスト・クープマン演算子を用いて測定ノイズの影響を緩和する。
論文 参考訳(メタデータ) (2022-12-10T10:21:45Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - Hierarchical Deep Learning of Multiscale Differential Equation
Time-Steppers [5.6385744392820465]
本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。
結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。
我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
論文 参考訳(メタデータ) (2020-08-22T07:16:53Z) - 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)
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。