論文の概要: RC Prediction: A Python Package for Parameter-Aware Reservoir Computing
- arxiv url: http://arxiv.org/abs/2610.40984v1
- Date: Thu, 29 Oct 2026 21:08:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.495893
- Title: RC Prediction: A Python Package for Parameter-Aware Reservoir Computing
- Title（参考訳）: RC予測:パラメータ認識型貯留層コンピューティングのためのPythonパッケージ
- Abstract要約: rc_predictionはオープンソースのPythonパッケージで、このワークフローを実装している。
3つのベンチマーク力学系を例に、その使用例を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A nonlinear dynamical system can be characterized by the autonomous evolution of its state in time and its dependence on system parameters. As a parameter varies, the dynamics can change quantitatively and, at bifurcation points, qualitatively. When the governing equations are unknown, a data-driven model should therefore capture both elements from observational data, rather than reproduce the dynamics at a single operating condition only. Parameter-aware reservoir computing (PARC) is a model-free framework for this purpose, where the parameter is supplied to a reservoir computer through an additional input channel. PARC is trained on time series recorded at several parameter values, and the trained reservoir, run in closed loop as an autonomous dynamical system, generates trajectories at parameter values that were never observed. rc_prediction is an open-source Python package that implements this workflow. It provides multi-parameter training of a reservoir, autonomous closed-loop prediction at user-specified parameter values, parameter scans, and a standard echo state network for forecasting at a fixed parameter. Hyperparameter optimization and optional GPU acceleration through PyTorch are also provided. We use three benchmark dynamical systems as examples to demonstrate its usage. As one of the featured applications, here we illustrate the prediction of critical transitions and system collapse: trained only on pre-critical data, the model is queried beyond the training range to predict whether the system collapses, to estimate the critical parameter $p_c^{*}$, and to characterize transient lifetimes.
- Abstract（参考訳）: 非線形力学系は、時間における状態の自律的進化とシステムパラメータへの依存によって特徴づけられる。
パラメータが変化するにつれて、力学は定量的に変化し、分岐点において定性的に変化する。
支配方程式が未知の場合、データ駆動モデルは、単一の操作条件でのみダイナミクスを再現するのではなく、観測データから両方の要素を捕捉する必要がある。
パラメータ対応貯水池計算(PARC)はこの目的のためのモデルフリーフレームワークであり、パラメータは追加の入力チャネルを介して貯水池コンピュータに供給される。
PARCはいくつかのパラメータ値で記録された時系列に基づいて訓練され、訓練された貯水池は閉じたループで自律力学系として動作し、観測されなかったパラメータ値の軌跡を生成する。
rc_predictionはオープンソースのPythonパッケージで、このワークフローを実装している。
貯水池のマルチパラメータトレーニング、ユーザ指定パラメータ値における自律閉ループ予測、パラメータスキャン、固定パラメータでの予測のための標準エコー状態ネットワークを提供する。
PyTorchによるハイパーパラメータ最適化とオプションのGPUアクセラレーションも提供される。
3つのベンチマーク力学系を例に、その使用例を示す。
事前臨界データのみに基づいてトレーニングされたモデルでは、システムが崩壊するかどうかを予測し、臨界パラメータ$p_c^{*}$を推定し、過渡寿命を特徴づけるため、トレーニング範囲を超えてクエリされる。
関連論文リスト
- Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。
核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
論文 参考訳（メタデータ） (2026-09-02T13:15:50Z) - Koopman Operator Identification of Model Parameter Trajectories for Temporal Domain Generalization (KOMET) [0.16311150636417257]
我々は,パラメータベクトルの列を非線形力学系の軌道として扱うモデルに依存しない,データ駆動型フレームワークKOMETを提案する。
ウォームスタートシーケンシャルトレーニングプロトコルはパラメータ-軌道の滑らかさを強制し、フーリエ拡張可観測辞書は、多くの実世界の分布ドリフトに固有の周期構造を利用する。
KoMET は平均的な自律走行精度を 0.981 から 1.000 の保留時間ステップで達成している。
論文 参考訳（メタデータ） (2026-03-27T18:58:45Z) - Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。
この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。
力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
論文 参考訳（メタデータ） (2026-02-26T16:43:28Z) - Training-free score-based diffusion for parameter-dependent stochastic dynamical systems [2.4755898204110642]
パラメータ依存SDEのフローマップを学習するための学習自由条件拡散モデルフレームワークを提案する。
共同カーネル重み付きモンテカルロ推定器は、離散パラメータ値でサンプリングされた軌道データを用いて条件スコア関数を近似する。
生成された生成モデルは、トレーニング範囲内の任意のパラメータ値に対するサンプル軌跡を、再学習せずに生成する。
論文 参考訳（メタデータ） (2026-02-02T13:54:36Z) - Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。
Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
論文 参考訳（メタデータ） (2024-10-02T09:44:54Z) - Machine-learning parameter tracking with partial state observation [0.0]
複雑で非線形な力学系は、時間とともに変化するパラメータ、状態推定、予測、制御といったタスクに不可欠な正確な追跡を含むことが多い。
リアルタイムに部分状態観測から時間変化パラメータを正確に追跡する,モデルフリーで完全なデータ駆動型フレームワークを開発した。
低次元および高次元のマルコフ系および非マルコフ系非線形力学系は、機械学習に基づくパラメータ追跡フレームワークのパワーを示すために用いられる。
論文 参考訳（メタデータ） (2023-11-15T17:39:25Z) - Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。
最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。
本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
論文 参考訳（メタデータ） (2023-07-13T08:35:40Z) - Learning Nonautonomous Systems via Dynamic Mode Decomposition [0.0]
動的モード分解(DMD)に基づく時間依存入力を持つ未知の非線形力学系に対するデータ駆動学習手法を提案する。
時間依存クープマン演算子を非正則系に近似することの難しさを回避するため、修正されたシステムは元の非正則系の近似として用いられる。
論文 参考訳（メタデータ） (2023-06-27T16:58:26Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z)
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。