Lorenz 63
PulseAugur coverage of Lorenz 63 — every cluster mentioning Lorenz 63 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI模型预测复杂系统的临界点
研究人员开发了一种新颖的循环神经网络算子（RNO），能够学习非平稳动力学系统并预测临界点。该RNO通过学习函数空间之间的映射来运行，并利用共形预测框架来监控与物理约束的偏差。该方法已在各种微分方程上得到验证，包括Lorenz-63和Kuramoto-Sivashinsky方程，并应用于预测平流层云覆盖的气候临界点和翼型转变。
-
新方法利用Koopman动力学增强从噪声数据中发现方程的能力
研究人员开发了一种动力学感知的识别方法，用于从稀疏和噪声数据中识别控制方程，该方法建立在稀疏非线性动力学识别（SINDy）和PDE函数识别（PDE-FIND）等技术的基础上。新方法利用基于Koopman的升采样方法，包括动态模式分解（DMD）及其变体，在导数估计和稀疏回归之前对数据进行插值和去噪。此预处理步骤旨在提高导数估计的准确性，而导数估计通常在稀疏和噪声测量下不可靠。该方法在几个ODE和PDE系统上进行了测试，表明基于Koopm…
-
新的水库计算方法利用软体机器人和量子原理
研究人员正在探索水库计算的高级方法，这是一种用于时间学习的技术。一篇论文介绍了一种通过将动力学与高性能数字模型相匹配来共同优化软体机器人水库的方法，在分类和预测任务中显示出 33.7% 的改进。另一篇论文提出了一个受 Lindblad 启发的、具有可分离旋转和耗散的多时间尺度水库，能够独立控制记忆和稳定性，并在 NARMA-20 和 Lorenz-63 等特定基准测试中取得最佳性能。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架，用于多变量时间序列预测，旨在运行在近期含噪声的中等规模量子（NISQ）硬件上。这些框架，包括量子水库预测器（QRC-F）和变分量子预测器（VQF-F），将时间序列数据转换为量子态，并利用纠缠来捕捉变量间的依赖关系。实验表明，与经典方法相比，这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高，并可能应用于各种预测任务。
-
新方法增强AI模型处理混沌动力学能力
研究人员开发了一种名为随机雅可比匹配的新方法，以提高学习混沌动力学系统的模型的准确性。该技术通过隐式强制执行二阶一致性来解决现有一阶方法的局限性，这对于保持吸引子几何和不变统计量至关重要。该方法通过避免计算完整的Hessian矩阵，可以扩展到高维度，从而提供一种更有效的方式来实现鲁棒的长期预测和准确的系统行为。
-
新研究探讨了用于混沌动力学的循环神经网络中的教师强制
一篇新研究论文探讨了在训练循环神经网络（RNN）处理混沌动力学系统时，教师强制方法中固有的优化几何不匹配问题。该研究将几乎线性RNN（AL-RNN）的概率切换增强中的身份教师强制（ITF）的曲率与边际似然进行了比较。对Lorenz-63系统的实验表明，虽然窗口证据微调可以提高保留证据，但与最初使用ITF训练的模型相比，它可能会降低关键动力学量。