Desconocimiento y reconstrucción de la dinámica no lineal utilizando la computación de depósitos truncados

Área de la Ciencia:

• Neurociencia computacional
• Teoría de los sistemas dinámicos
• Procesamiento de señales

Sus antecedentes:

• Los sistemas físicos distribuidos generan mediciones escasas y ruidosas, lo que requiere un procesamiento avanzado de señales para la identificación del sistema.
• La reconstrucción de dinámicas no observadas es un desafío debido a la frecuente falta de disponibilidad de ecuaciones rectoras.
• Reservoir Computing (RC) ofrece una simulación dinámica eficiente del sistema a través de una conectividad de red neuronal aleatoria.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo método de cálculo de depósitos (RC) para filtrar el ruido y reconstruir la dinámica no lineal no observada.
• Explorar la capacidad de RC para distinguir el ruido de la dinámica del sistema determinista en diversas condiciones de ruido.
• Introducir un nuevo protocolo de aprendizaje con optimización de hiperparámetros para mejorar el rendimiento de RC.

Principales métodos:

• Se desarrolló un nuevo marco de Computación de Reservorio (RC) para el filtrado de ruido y la reconstrucción de dinámica no lineal.
• Se empleó la optimización de hiperparámetros, incluida la tasa de fuga y el radio espectral.
• Se investigó la optimización de la estructura de la red a través del truncamiento de nodos y bordes.
• El rendimiento se evaluó en el atractor de Lorenz y el sistema de integración y disparo exponencial adaptativo.

Principales resultados:

• El método RC propuesto filtra efectivamente el ruido y reconstruye dinámicas no lineales no observadas.
• El rendimiento de desinfección se mejora truncando los componentes redundantes del depósito y optimizando los hiperparámetros.
• El marco demuestra una buena generalización a atractivos invisibles y cualitativamente diferentes.
• Se logró una precisión competitiva en comparación con el filtro extendido de Kalman, especialmente en bajas relaciones señal-ruido y altas frecuencias.

Conclusiones:

• El nuevo marco RC proporciona una solución eficaz para el filtrado de ruido y la reconstrucción dinámica en escenarios de datos escasos y ruidosos.
• El hiperparámetro y la optimización de la estructura de la red son cruciales para maximizar el rendimiento de RC en entornos desafiantes.
• El método es prometedor para aplicaciones que requieren una identificación robusta del sistema a partir de mediciones limitadas y dañadas.