Lorenz system
PulseAugur coverage of Lorenz system — every cluster mentioning Lorenz system across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
扩散模型绘制生物系统中的参数流形
研究人员开发了一个新的框架，使用扩散模型来分析具有众多参数但可观测数据有限的复杂生物系统。该方法将兼容的参数集形式化为“可行的参数流形”，并使用扩散模型对这些集合进行采样，从而有效地揭示隐藏的参数依赖性和补偿几何。该方法已成功应用于Lorenz系统和Izhikevich神经元模型，证明了其在理解系统鲁棒性和参数权衡方面的效用。
-
新论文发现混沌对人工智能驱动的科学发现至关重要
一篇新的研究论文探讨了从观测数据中发现控制方程的基本挑战，特别是在人工智能驱动的科学发现的背景下。由Zakhar Shumaylov领导的研究认为，混沌，通常被视为预测能力的障碍，但悖论式地对于确保系统的方程能够从有限数据中唯一识别至关重要。研究结果表明，虽然混沌系统是可发现的，但工程中常见的非混沌系统可能需要结合先验物理知识来克服固有的非唯一性问题。
-
新方法解决混沌系统中的逆问题
研究人员开发了一种名为双向条件流匹配（Bi-CFM）的新方法，用于解决混沌系统中的逆问题，例如从最终状态推断初始条件。该技术学习初始状态和最终状态之间的双向映射，与现有方法相比提高了准确性和速度。对于具有守恒定律的系统，引入了一个名为守恒约束双向条件流匹配（CBi-CFM）的扩展，该方法能更好地遵守这些定律。这些方法在从经典混沌系统和行星动力学到真实世界球状星团观测等应用中都显示出了潜力。
-
新的主动学习方法用超低数据发现动力学
研究人员开发了一种新的主动学习策略，用于发现复杂动力学系统的控制方程，特别是在数据稀缺的情况下。该方法建立在非线性动力学稀疏识别（SINDy）及其集成扩展（E-SINDy）的基础上，优先在信息最丰富的区域进行采样，以更有效地识别模型。与随机采样相比，该方法在仅使用少量数据样本的情况下，已成功准确地识别了常微分方程和偏微分方程的动力学。
-
新方法使用个性化PageRank寻找Koopman不变子空间
研究人员开发了一种新颖的方法，利用应用于扩展动态模式分解（EDMD）矩阵的个性化PageRank（PPR）来识别Koopman不变子空间。该技术利用EDMD矩阵中的零块结构来检测Koopman不变字典，即使数据有限。该方法为检测精确和近似不变子空间提供了理论保证，数值实验证明了其在各种动力系统上的有效性。
-
AI模型使用单一机器学习方案推断两种混沌系统的动力学
研究人员开发了一种新颖的双通道储层计算方法，能够使用单一机器推断两种不同混沌系统的动力学。该方法通过系统标签和参数控制通道增强了标准储层，使其能够从有限的时间序列数据中学习。然后，训练好的机器可以预测未来状态并重建两个系统的分岔图，这一点已通过 Lorenz、Rössler、Chua 和 Rossler 系统得到证明。
-
物理信息神经网络为变点检测提供统一方法
研究人员开发了一种分析表现出状态切换的非线性动力学系统的新方法。该方法利用物理信息神经网络联合估计分段参数并识别变点，克服了传统分离检测和估计方法的局限性。该技术涉及分析局部物理残差并优化统一的物理损失函数以进行同步推理。在各种基准系统上的实验表明，与现有的解耦方法相比，在变点定位和参数估计方面均提高了准确性。
-
量子蓄水池计算在混沌动力学预测方面优于 QPINN
研究人员对两种量子机器学习架构——量子蓄水池计算 (QRC) 和量子物理信息神经网络 (QPINN)——在预测混沌时间序列数据方面的性能进行了基准测试。在洛伦兹系统上，QRC 表现出显著优越的性能，其均方误差比 QPINN 低 81%，训练速度比 QPINN 快约 52,000 倍。研究表明，QRC 的固定式蓄水池设计是其在当前规模下取得优势的关键，优于受限于容量和存在竞争性损失项而非 barren plateaus 的变分方法。