Lorenz system
PulseAugur coverage of Lorenz system — every cluster mentioning Lorenz system across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
自回归 Transformer 展现出预测混沌动力学的惊人能力
一篇新的研究论文探讨了自回归 Transformer 理解和预测复杂混沌系统的能力，即使在有限数据上进行训练。研究表明，当这些模型接触到logistic映射或Lorenz系统等系统的受限参数范围时，它们能够以高保真度推断到未见的动力学。值得注意的是，一个 Transformer 模型为logistic映射重现了高达 128 周期的倍周期级联，与Feigenbaum常数非常接近，这表明对局部行为的狭窄观察足以让 Transformer …
-
新的贝叶斯MF-LNO增强了复杂PDE的主动学习
研究人员开发了一种贝叶斯多保真度拉普拉斯神经网络算子（MF-LNO），用于振荡参数化偏微分方程（PDE）的主动学习。该方法利用副本交换随机梯度Langevin动力学（reSGLD）量化的预测不确定性来指导高保真度训练数据的获取。在Lorenz系统和Duffing振子等系统上的实验表明，这种不确定性指导的方法比随机采样更具数据效率和准确性，并且在预测不确定性量化方面优于MF-DeepONet。
-
LoRA-RC: 稳定储层计算的低秩适应
研究人员推出了一种新颖的、使用低秩校正来适应储层计算系统的方法 LoRA-RC。该方法通过在线适应循环矩阵来解决静态储层因系统漂移而导致的性能下降问题。LoRA-RC 通过将适应后的矩阵投影到谱范数球上并应用低通滤波器来确保稳定性和可靠性，从而保证循环矩阵保持在认证的收缩集内。在参数漂移的 Lorenz 系统上进行的实验表明，与固定储层和仅适应读出器的方法相比，LoRA-RC 显著降低了预测误差。
-
新的拓扑方法检测时间序列数据中的霍普夫分岔
研究人员开发了一种新颖的拓扑框架，可以直接从标量时间序列数据中识别霍普夫分岔。该方法结合了延迟坐标重构和持久同调，使用一维同调类的最大持久性作为循环结构的描述符。该方法已在霍普夫范式、洛伦兹系统和简化的Belousov-Zhabotinsky模型等各种模型上进行了测试，证明了对跃迁的准确定位，并说明了不同参数和数据质量的影响。
-
新的CW-EDMD方法改进了复杂系统的Koopman算子近似 · 跟踪2个来源
研究人员开发了簇加权扩展动态模式分解（CW-EDMD），一种从数据中近似Koopman算子的新颖方法。该方法通过学习软相空间划分和每个簇的算子，解决了具有不同局部动力学系统的单一全局算子效率低下的问题。CW-EDMD利用期望最大化目标，该目标同时考虑了几何邻近性和预测残差，使簇能够专注于局部Koopman模型准确的地方。在Lorenz、阻尼摆和Duffing系统上的实验表明，与匹配度EDMD相比，误差显著降低，中位数一步误差分别降低了…
-
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。