論文の概要: A Systematic Exploration of Reservoir Computing for Forecasting Complex
Spatiotemporal Dynamics
- arxiv url: http://arxiv.org/abs/2201.08910v1
- Date: Fri, 21 Jan 2022 22:31:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 05:55:35.637094
- Title: A Systematic Exploration of Reservoir Computing for Forecasting Complex
Spatiotemporal Dynamics
- Title（参考訳）: 複雑時空間ダイナミクス予測のための貯留層計算の体系的探索
- Authors: Jason A. Platt, Stephen G. Penny, Timothy A. Smith, Tse-Chun Chen and
Henry D. I. Abarbanel
- Abstract要約: Reservoir Computer (RC) は、本質的にカオス力学系の予測アーキテクチャに成功しているリカレントニューラルネットワークの一種である。
多数の特性力学系に対する「クラス最良」RCのアーキテクチャと設計選択について検討する。
ローカライゼーションを用いた大規模モデルへのスケールアップにおけるこれらの選択の適用について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A reservoir computer (RC) is a type of simplified recurrent neural network
architecture that has demonstrated success in the prediction of
spatiotemporally chaotic dynamical systems. A further advantage of RC is that
it reproduces intrinsic dynamical quantities essential for its incorporation
into numerical forecasting routines such as the ensemble Kalman filter -- used
in numerical weather prediction to compensate for sparse and noisy data. We
explore here the architecture and design choices for a "best in class" RC for a
number of characteristic dynamical systems, and then show the application of
these choices in scaling up to larger models using localization. Our analysis
points to the importance of large scale parameter optimization. We also note in
particular the importance of including input bias in the RC design, which has a
significant impact on the forecast skill of the trained RC model. In our tests,
the the use of a nonlinear readout operator does not affect the forecast time
or the stability of the forecast. The effects of the reservoir dimension,
spinup time, amount of training data, normalization, noise, and the RC time
step are also investigated. While we are not aware of a generally accepted best
reported mean forecast time for different models in the literature, we report
over a factor of 2 increase in the mean forecast time compared to the best
performing RC model of Vlachas et.al (2020) for the 40 dimensional
spatiotemporally chaotic Lorenz 1996 dynamics, and we are able to accomplish
this using a smaller reservoir size.
- Abstract（参考訳）: 貯水池コンピュータ (RC) は、時空間カオス力学系の予測に成功している単純化されたリカレントニューラルネットワークアーキテクチャの一種である。
RCのさらなる利点は、アンサンブルカルマンフィルタのような数値予測ルーチンに組み込むのに必要な固有の力学量を再現し、スパースとノイズのデータを補う数値予測に使用することである。
ここでは,多数の特性力学系に対する「クラス最良」RCのアーキテクチャと設計選択について検討し,ローカライゼーションを用いた大規模モデルへのスケールアップにおけるこれらの選択の適用例を示す。
本分析は,大規模パラメータ最適化の重要性を指摘する。
また、特に、rcモデルの予測スキルに大きな影響を与えるrc設計に入力バイアスを含めることの重要性に注目した。
実験では,非線形読み出し演算子の使用は予測時間や予測の安定性に影響を与えないことを示した。
また, 貯留層寸法, スピンアップ時間, トレーニングデータ量, 正規化, 騒音, rc時間ステップの影響についても検討した。
文献中では, 広く受け入れられているモデルの平均予測時間には気づいていないが, 平均予測時間の増加率は, vlachas et.al (2020) による40次元時空間的カオス・ロレンツ1996 ダイナミクスの最大rcモデルと比較して2倍以上増加しており, より小さい貯水池サイズでこれを達成することができる。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。
貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。
本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
論文 参考訳（メタデータ） (2024-06-05T02:30:29Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Hybridizing Traditional and Next-Generation Reservoir Computing to Accurately and Efficiently Forecast Dynamical Systems [0.0]
Reservoir Computer (RC) は時系列予測のための強力な機械学習アーキテクチャである。
次世代貯水池コンピュータ (NGRC) が導入された。
本稿では,動的システムの時系列予測のためのハイブリッドRC-NGRC手法を提案する。
論文 参考訳（メタデータ） (2024-03-04T17:35:17Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Catch-22s of reservoir computing [0.0]
Reservoir Computingは、データから非線形力学系の挙動を予測するための、シンプルで効率的なフレームワークである。
我々は,システムの初期状態からどのアトラクタが収束するかを決定する,流域予測の重要な問題に焦点をあてる。
元の方程式に正確な非線形性を組み込むことで、NGRCは複雑で高次元的なアトラクションの流域を正確に再構築できることを示す。
論文 参考訳（メタデータ） (2022-10-18T23:31:15Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳（メタデータ） (2022-09-29T13:47:02Z) - Data-driven and machine-learning based prediction of wave propagation
behavior in dam-break flood [11.416877401689735]
最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。
我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
論文 参考訳（メタデータ） (2022-09-19T02:58:31Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。