Conectar dinámicas conocidas y desconocidas mediante inferencias de aprendizaje automático basadas en transformadores...

Área de la Ciencia:

• Dinámica no lineal
• Aprendizaje automático
• Sistemas complejos

Sus antecedentes:

• La reconstrucción precisa de la dinámica del sistema es crucial para muchas aplicaciones.
• Los desafíos surgen cuando se trata de sistemas novedosos y observaciones escasas y únicas.
• Los métodos existentes luchan con la escasez de datos y la falta de conocimiento previo del sistema.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje automático para reconstruir dinámicas complejas no lineales.
• Abordar el reto de la identificación del sistema con datos de observación limitados y escasos.
• Permitir una reconstrucción fiel de la dinámica cuando los datos de entrenamiento del sistema objetivo no estén disponibles.

Principales métodos:

• Se desarrolló un enfoque híbrido que combina redes de transformadores y computación de depósitos.
• Los transformadores fueron entrenados con datos sintéticos de sistemas caóticos conocidos.
• El transformador entrenado procesó datos escasos del sistema objetivo, alimentando una computadora de depósito para la predicción.

Principales resultados:

• El marco híbrido reconstruyó con éxito la dinámica a partir de datos razonablemente escasos en varios sistemas no lineales.
• Demostró la capacidad de predecir dinámicas y factores de atracción a largo plazo.
• Validación de la eficacia del modelo en sistemas no lineales prototipos.

Conclusiones:

• El marco de aprendizaje híbrido propuesto ofrece un nuevo paradigma para reconstruir dinámicas complejas no lineales.
• Maneja efectivamente situaciones con datos de entrenamiento inexistentes y observaciones escasas y aleatorias.
• Este enfoque permite la reconstrucción fiel de la dinámica en sistemas no encontrados anteriormente.