論文の概要: Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing

• arxiv url: http://arxiv.org/abs/2307.07195v1
• Date: Fri, 14 Jul 2023 07:05:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 14:42:28.184173
• Title: Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing
• Title（参考訳）: 機械学習を用いた複雑なターゲット状態への動的システム制御--次世代対古典型貯水池計算
• Authors: Alexander Haluszczynski, Daniel K\"oglmayr, Christoph R\"ath
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controlling nonlinear dynamical systems using machine learning allows to not only drive systems into simple behavior like periodicity but also to more complex arbitrary dynamics. For this, it is crucial that a machine learning system can be trained to reproduce the target dynamics sufficiently well. On the example of forcing a chaotic parametrization of the Lorenz system into intermittent dynamics, we show first that classical reservoir computing excels at this task. In a next step, we compare those results based on different amounts of training data to an alternative setup, where next-generation reservoir computing is used instead. It turns out that while delivering comparable performance for usual amounts of training data, next-generation RC significantly outperforms in situations where only very limited data is available. This opens even further practical control applications in real world problems where data is restricted.
• Abstract（参考訳）: 機械学習による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導くだけでなく、より複雑な任意のダイナミクスへと導くことができる。 そのため、機械学習システムは、ターゲットのダイナミクスを十分に再現するために訓練できることが不可欠である。 ロレンツ系のカオス的パラメトリゼーションを断続力学に強制する例において、古典的な貯水池計算がこの課題に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、非常に限られたデータしか利用できない状況では、次世代rcが大幅に優れています。 これにより、データ制限のある実世界の問題において、さらに実用的な制御応用が開かれる。

関連論文リスト

• Reconstructing dynamics from sparse observations with no training on target system [0.0]
  提案するハイブリッド機械学習フレームワークのパワーは,多くの原型非線形力学系を用いて実証された。 このフレームワークは、トレーニングデータが存在しない極端な状況において、複雑で非線形なダイナミクスを再構築するパラダイムを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:05:04Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Extrapolating tipping points and simulating non-stationary dynamics of complex systems using efficient machine learning [2.44755919161855]
  本稿では,非線形力学系の分岐挙動を外挿する次世代貯水池計算に基づく,完全データ駆動型機械学習アルゴリズムを提案する。 こうすることで、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。
  論文  参考訳（メタデータ） (2023-12-11T10:37:28Z)
• Deep active learning for nonlinear system identification [0.4485566425014746]
  我々は非線形システム同定のための新しい深層能動学習手法を開発した。 グローバル探索は、最も情報に富む状態-行動軌道に対応する初期状態のバッチを取得する。 局所的な探索は最適な制御問題を解き、情報の測度を最大化する制御軌道を見つける。
  論文  参考訳（メタデータ） (2023-02-24T14:46:36Z)
• Learning unseen coexisting attractors [0.0]
  貯留層コンピューティング(Reservoir computing)は、動的システムの代理モデルを生成する機械学習アプローチである。 ここでは、異なる時間スケールと複数の共存する動的状態(トラクター)の両方を持つ力学系を学習する際の課題について研究する。 次世代貯水池コンピューティングアプローチでは、トレーニングデータが少ない$sim 1.7倍、短いウォームアップ時間が必要な$103倍、既存のアトラクタ特性を予測する上で、$sim 100times$高い精度を持つことを示す。
  論文  参考訳（メタデータ） (2022-07-28T14:55:14Z)
• Continual Learning of Dynamical Systems with Competitive Federated Reservoir Computing [29.98127520773633]
  継続的な学習は、以前の動的体制なしで急激なシステム変更に迅速に適応することを目的としている。 本研究は,連続学習に基づく貯水池計算へのアプローチを提案する。 このマルチヘッド貯水池は、複数の力学系における干渉や忘れを最小化する。
  論文  参考訳（メタデータ） (2022-06-27T14:35:50Z)
• 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)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• 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)

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。