Sustentando la dinámica caótica del modelo Kuramoto mediante una computadora de reservorio adaptable

Área de la Ciencia:

• Sistemas Complejos
• Dinámica No Lineal
• Aprendizaje Automático

Sus antecedentes:

• Los sistemas complejos a menudo experimentan fallos de componentes, lo que afecta la dinámica colectiva.
• Mantener la funcionalidad del sistema durante los fallos es crucial para una operación fiable.

Objetivo del estudio:

• Proponer un método para sustituir componentes fallidos en sistemas caóticos espacialmente extendidos.
• Demostrar la eficacia de los gemelos digitales, creados utilizando computadoras de reservorio adaptables, para mantener la dinámica del sistema.

Principales métodos:

• Se utilizó el modelo Kuramoto para simular la dinámica caótica y los fallos de osciladores.
• Se emplearon computadoras de reservorio adaptables (RC) como gemelos digitales basados en aprendizaje automático.
• Se entrenaron las RC con datos de evolución del sistema para imitar el comportamiento de los osciladores fallidos.

Principales resultados:

• Un único RC de tamaño reducido pudo sustituir a osciladores individuales, preservando el parámetro de orden de sincronización del sistema.
• La duración de la sustitución exitosa dependió del tamaño de los datos de entrenamiento, la fuerza de acoplamiento y el número de componentes fallidos.
• Se mantuvo la integridad funcional de la red incluso cuando el parámetro de orden de sincronización divergió a largo plazo.

Conclusiones:

• Las computadoras de reservorio adaptables ofrecen un método viable para crear gemelos digitales para gestionar fallos de componentes en sistemas caóticos.
• Este enfoque garantiza el mantenimiento preciso de la dinámica colectiva durante duraciones críticas.
• El estudio destaca el potencial del aprendizaje automático para mejorar la resiliencia de los sistemas complejos.