論文の概要: Deep Learning for predicting rate-induced tipping

• arxiv url: http://arxiv.org/abs/2409.07590v1
• Date: Wed, 11 Sep 2024 19:40:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 18:31:44.620288
• Title: Deep Learning for predicting rate-induced tipping
• Title（参考訳）: レート・インダクタンス・チップの深層学習
• Authors: Yu Huang, Sebastian Bathiany, Peter Ashwin, Niklas Boers,
• Abstract要約: 我々は,速度誘起遷移よりも先に,力学系の遷移確率を予測する枠組みを開発する。 提案手法は,3つのシステムで示されるように,早期に警告を発行する。
• 参考スコア（独自算出の注目度）: 2.0646829448024184
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nonlinear dynamical systems exposed to changing forcing can exhibit catastrophic transitions between alternative and often markedly different states. The phenomenon of critical slowing down (CSD) can be used to anticipate such transitions if caused by a bifurcation and if the change in forcing is slow compared to the internal time scale of the system. However, in many real-world situations, these assumptions are not met and transitions can be triggered because the forcing exceeds a critical rate. For example, given the pace of anthropogenic climate change in comparison to the internal time scales of key Earth system components, such as the polar ice sheets or the Atlantic Meridional Overturning Circulation, such rate-induced tipping poses a severe risk. Moreover, depending on the realisation of random perturbations, some trajectories may transition across an unstable boundary, while others do not, even under the same forcing. CSD-based indicators generally cannot distinguish these cases of noise-induced tipping versus no tipping. This severely limits our ability to assess the risks of tipping, and to predict individual trajectories. To address this, we make a first attempt to develop a deep learning framework to predict transition probabilities of dynamical systems ahead of rate-induced transitions. Our method issues early warnings, as demonstrated on three prototypical systems for rate-induced tipping, subjected to time-varying equilibrium drift and noise perturbations. Exploiting explainable artificial intelligence methods, our framework captures the fingerprints necessary for early detection of rate-induced tipping, even in cases of long lead times. Our findings demonstrate the predictability of rate-induced and noise-induced tipping, advancing our ability to determine safe operating spaces for a broader class of dynamical systems than possible so far.
• Abstract（参考訳）: 非線形力学系は、強制力を変化させることによって、代替としばしば著しく異なる状態の間の破滅的な遷移を示す。 臨界減速現象(Critical slowing down, CSD)は、分岐によって引き起こされた場合や、システムの内部時間スケールと比較して強制力の変化が遅い場合の遷移を予測するために用いられる。 しかし、現実の多くの状況では、これらの仮定は満たされず、強制が臨界速度を超えるため、遷移が引き起こされる可能性がある。 例えば、極氷床やアトランティック・メリディショナル・オーバーターン・サーキュレーションのような主要な地球系成分の内部の時間スケールと比較して、人為的な気候変動のペースを考えると、そのような速度によって引き起こされる転換は深刻なリスクをもたらす。 さらに、ランダムな摂動の実現によっては、いくつかの軌道は不安定な境界を越えて遷移しうるが、他の軌道は、同じ強制の下でも変化しない。 CSDに基づくインジケータは、一般的にこれらのノイズによって引き起こされる先端と先端とを区別することができない。 これは、チップのリスクを評価し、個々の軌跡を予測する能力を著しく制限します。 そこで本研究では,動的システムの遷移確率を,速度依存性の遷移に先立って予測するディープラーニングフレームワークの開発を試みている。 提案手法は,時間変化の平衡ドリフトと雑音の摂動を条件として,3種類のプリンティングの原型システム上での早期警告を発行する。 提案手法は, 長時間のリード時においても, レート・インジェクション・チップの早期検出に必要な指紋を抽出する。 以上の結果から,従来より広い種類の動的システムに対して,安全な動作空間を決定する能力の向上が期待できる。

関連論文リスト

• Going beyond quantum Markovianity and back to reality: An exact master equation study [0.0]
  オープン量子系の解析的描写を提供する。 系の定常励起数(AEN)は、非マルコビアン性の増加に伴う急激なエスカレーションを示す。 Mpemba効果は、非マルコフ系では驚くほど超冷却的な効果で観察できる。
  論文  参考訳（メタデータ） (2024-11-26T08:10:35Z)
• Subsystem Evolution Speed as Indicator of Relaxation [0.05999777817331316]
  サブシステムの進化速度に着目し,時間依存状態から直接緩和を評価する方法を提案する。 緩和に達するシステムでは、システムサイズが大きくなるにつれて、十分に小さくても有限サイズのサブシステムの進化速度が顕著に低下することを示した。
  論文  参考訳（メタデータ） (2024-10-23T11:58:34Z)
• Understanding Warmup-Stable-Decay Learning Rates: A River Valley Loss Landscape Perspective [66.80315289020487]
  Warmup-Stable-Decay (WSD) スケジュールは、一定の学習率を使用して、所定の計算予算なしで無限に継続できるイテレーションのメインブランチを生成する。 プレトレーニング損失は,河底に川がある深い谷に類似した河谷景観を呈することを示す。 この理論にインスパイアされたWSD-Sは、従来のチェックポイントの崩壊フェーズを再利用し、メインブランチを1つだけ保持するWSDの変種である。
  論文  参考訳（メタデータ） (2024-10-07T16:49:39Z)
• Prediction of Unobserved Bifurcation by Unsupervised Extraction of Slowly Time-Varying System Parameter Dynamics from Time Series Using Reservoir Computing [0.0]
  従来の機械学習手法は、観測された時系列データからシステムを学習し、予測する能力を進歩させてきた。 本稿では,長時間の内的力学を持つ低速貯水池と,短時間の時間的力学を持つ高速貯水池からなるモデルアーキテクチャを提案する。 遅い貯留層は系のパラメータの時間的変動を抽出し、高速力学における未知の分岐を予測するのに使用される。 我々のアプローチは、神経科学、物質科学、気象予報などの分野への応用の可能性を示している。
  論文  参考訳（メタデータ） (2024-06-20T04:49:41Z)
• Machine-learning prediction of tipping with applications to the Atlantic Meridional Overturning Circulation [0.22436328017044366]
  非線形力学系における将来的なチップの予測のための汎用的なデータ駆動型機械学習手法を開発した。 応用として、Atlantic Meridional Overturning Circulation (AMOC)の潜在的な崩壊を予測する問題に対処する。 我々の予測では、2040年から2065年の間、現在の文献の結果と一致して、潜在的に崩壊する窓を設置しています。
  論文  参考訳（メタデータ） (2024-02-21T20:59:19Z)
• Learning noise-induced transitions by multi-scaling reservoir computing [2.9170682727903863]
  我々は、雑音による遷移を学習するために、リカレントニューラルネットワークの一種として貯水池コンピューティングという機械学習モデルを開発する。 トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。 また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。
  論文  参考訳（メタデータ） (2023-09-11T12:26:36Z)
• Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
  タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。 我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。 本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:42:27Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)

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。