論文の概要: Evolutionary Optimization Reveals Structural Constraints on Reservoir Architecture for Spatiotemporal Chaos

• arxiv url: http://arxiv.org/abs/2606.22765v1
• Date: Mon, 22 Jun 2026 02:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:50:40.154505
• Title: Evolutionary Optimization Reveals Structural Constraints on Reservoir Architecture for Spatiotemporal Chaos
• Title（参考訳）: 時空間カオスのための貯留層構造に関する構造制約の進化的最適化
• Authors: Nima Dehghani,
• Abstract要約: 進化的最適化は単に予測を改善するだけでなく、再帰的基板上の解釈可能な構造的制約を明らかにする。 これらの結果から, 進化的最適化は単に予測を改善するだけでなく, 再帰的基板上の解釈可能な構造的制約を明らかにすることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological systems maintain function in fluctuating environments by transforming past stimulation into internal dynamical states that support future-oriented responses. Reservoir computing provides a computational analogue, but standard formulations often treat the recurrent substrate as a fixed random network and train only the readout. Here we ask how the substrate itself changes when reservoir architecture is placed under evolutionary selection for prediction. Using the Kuramoto--Sivashinsky equation as a testbed for spatiotemporal chaos, we evolved reservoirs over five construction hyperparameters: size, connectivity degree, spectral radius, input scaling, and readout regularization. Evolution reduced prediction error at the population level, extended the low-error forecast horizon, and organized the design space along a diminishing-return size--efficiency frontier. Structural analyses showed that evolved reservoirs remained within a conserved stochastic-block-model-like spectral envelope while refining low-eigenvalue modes, locking modularity to an intermediate band, and pruning connection cost within that band. Pareto analysis showed that elite reservoirs occupied a horizontal floor in the cost--modularity plane, indicating that accuracy and efficiency were achieved jointly rather than through a simple trade-off. These findings show that evolutionary optimization does not merely improve prediction, but exposes interpretable structural constraints on the recurrent substrate: it stabilizes a task-suitable dynamical class and refines the architectural degrees of freedom most relevant for prediction. Evolutionary reservoir computing therefore provides a bio-inspired framework for studying how predictive demands shape adaptive dynamical networks.
• Abstract（参考訳）: 生体システムは、過去の刺激を未来志向の応答をサポートする内部の動的状態に変換することによって、変動する環境における機能を維持する。 貯留層計算は計算アナログを提供するが、標準的な定式化では、リカレント基板を固定ランダムネットワークとして扱い、リードアウトのみを訓練することが多い。 ここでは, 予測のための進化的選択の下で貯留層構造が配置された場合, 基板自体がどう変化するのかを問う。 時空間カオスの検層として倉本-シヴァシンスキー方程式を用いて, サイズ, 接続度, スペクトル半径, 入力スケーリング, 読み出し正規化の5つの構成ハイパーパラメータの貯水池を改良した。 進化は人口レベルでの予測誤差を減らし、低エラー予測の地平線を拡張し、縮小するリターンサイズ-効率のフロンティアに沿って設計空間を組織した。 構造解析の結果、進化した貯水池は保存された確率ブロックモデルのようなスペクトル包絡内に留まり、低固有値モードを精製し、中間バンドにモジュラリティをロックし、そのバンド内で接続コストを削減した。 パレート解析により, エリート貯水池は, 原価面の水平層を占有し, 簡易なトレードオフではなく, 精度と効率性を両立させた。 これらの結果は、進化的最適化は単に予測を改善するだけでなく、再帰的基板上の解釈可能な構造的制約を露呈し、タスクに適した動的クラスを安定化し、予測に最も関係のあるアーキテクチャ的自由度を洗練させることを示している。 したがって、進化的貯水池コンピューティングは、予測要求が適応力学ネットワークをどのように形成するかを研究するためのバイオインスパイアされたフレームワークを提供する。

関連論文リスト

• Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction [13.239769357659412]
  物理誘導型完全畳み込み学習フレームワークを導入し,構造進化を予測する。 提案手法は, 物理方程式をトレーニング対象に明示的に組み込むことにより, 学習力学が既知の法則と整合性を保つことを奨励する。
  論文  参考訳（メタデータ） (2026-06-18T23:20:51Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• GLU: Global-Local-Uncertainty Fusion for Scalable Spatiotemporal Reconstruction and Forecasting [0.0]
  GLU(Global-Local-Uncertainty framework)について述べる。 再構成では、GLUは重要適応型地区選択を用いて、局所的な関連情報を検索する。 予測では、階層的なLeader-Follower Dynamicsモジュールが遅延状態を進化させ、メモリ増加を大幅に減少させる。
  論文  参考訳（メタデータ） (2026-03-27T02:40:58Z)
• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• Position: Agentic Evolution is the Path to Evolving LLMs [56.733933092220845]
  この制限に対処するには、新たなスケーリング軸進化が必要です。 既存の展開時適応手法では、障害を診断し、持続的な改善を生み出すために必要な戦略的機関が欠如している。
  論文  参考訳（メタデータ） (2026-01-30T22:15:58Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Latent Convergence Modulation in Large Language Models: A Novel Approach to Iterative Contextual Realignment [0.0]
  隠れ状態遷移を制御する構造変調機構が導入された。 格子調整は、パープレキシティ変動、エントロピー分散、および語彙不安定の低減に寄与した。
  論文  参考訳（メタデータ） (2025-02-10T09:46:33Z)

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。