論文の概要: Chaotic attractor reconstruction using small reservoirs - the influence
of topology
- arxiv url: http://arxiv.org/abs/2402.16888v1
- Date: Fri, 23 Feb 2024 09:43:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 19:22:21.662213
- Title: Chaotic attractor reconstruction using small reservoirs - the influence
of topology
- Title(参考訳): 小貯留層を用いたカオス的アトラクタ再構成 -トポロジーの影響-
- Authors: Lina Jaurigue
- Abstract要約: 貯留層計算はカオス力学の予測に有効な方法であることが示されている。
本研究では,未結合ノードの貯留層が長期時間予測をより確実に生成することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting timeseries based upon measured data is needed in a wide range of
applications and has been the subject of extensive research. A particularly
challenging task is the forecasting of timeseries generated by chaotic
dynamics. In recent years reservoir computing has been shown to be an effective
method of forecasting chaotic dynamics and reconstructing chaotic attractors
from data. In this work strides are made toward smaller and lower complexity
reservoirs with the goal of improved hardware implementability and more
reliable production of adequate surrogate models. We show that a reservoir of
uncoupled nodes more reliably produces long term timeseries predictions than
complex reservoir topologies. We then link the improved attractor
reconstruction of the uncoupled reservoir with smaller spectral radii of the
resulting surrogate systems. These results indicate that, the node degree plays
an important role in determining whether the desired dynamics will be stable in
the autonomous surrogate system which is attained via closed-loop operation of
the trained reservoir. In terms of hardware implementability, uncoupled nodes
would allow for greater freedom in the hardware architecture because no complex
coupling setups are needed and because, for uncoupled nodes, the system
response is equivalent for space and time multiplexing.
- Abstract(参考訳): 測定データに基づく時系列予測は、幅広い応用において必要であり、広範な研究の対象となっている。
特に難しい課題はカオス力学によって生成された時系列の予測である。
近年,リザーバコンピューティングはカオスダイナミクスを予測し,データからカオスアトラクタを再構築する効果的な手法であることが示されている。
本研究は, ハードウェア実装性の向上と適切なサロゲートモデルの信頼性向上を目標として, より小さく, より低い複雑性の貯水池に向けて進められている。
非結合ノードのリザーバーは、複雑なリザーバトポロジよりも長期時系列予測をより確実に生成する。
得られたサロゲート系のスペクトル半径を小さくして, 未結合貯水池のアトラクタ再構成を改良した。
これらの結果は,訓練した貯水池の閉ループ操作によって達成される自律サーロゲートシステムにおいて,所望のダイナミクスが安定するかどうかを決定する上で,ノード次数が重要な役割を果たすことを示唆する。
ハードウェア実装の面では、非結合ノードは複雑な結合セットアップを必要としないため、ハードウェアアーキテクチャの自由度が高くなり、非結合ノードの場合、システム応答はスペースと時間多重化に等価である。
関連論文リスト
- 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) - 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) - Hybrid quantum-classical reservoir computing for simulating chaotic systems [2.4995929091995857]
この研究は、RCの量子貯水池を量子回路回路に置き換えるハイブリッド量子貯水池計算フレームワークを提案する。
HQRCのノイズレスシミュレーションは、最先端の古典RCモデルに匹敵する有効な予測時間を示している。
論文 参考訳(メタデータ) (2023-11-23T17:07:02Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳(メタデータ) (2023-05-30T04:03:15Z) - 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) - Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。
我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
論文 参考訳(メタデータ) (2022-12-01T02:26:34Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - 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) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳(メタデータ) (2021-06-24T13:43:43Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳(メタデータ) (2020-07-28T08:15:17Z)
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。