リザーバーコンピューティングを用いた極端現象への遷移学習

科学分野:

• 非線形力学
• 機械学習
• 複雑系

背景:

• 力学系における極端現象は、不規則なタイミングと大きな振幅のため予測が困難です。
• 振幅とタイミングの両方を正確に予測することは、依然として大きな課題です。

研究 の 目的:

• 極端現象の予測のために、リザーバーコンピューティング機械学習を、代表的な力学系に適用すること。
• イベント遷移、振幅、統計的特性の予測における機械学習の有効性を評価すること。
• 予測ホライズンや平均二乗誤差などの指標を用いて、予測のための最適な入力パラメータを決定すること。

主な方法:

• 部分的なシステム変数情報または完全なシステム変数情報を用いて、リザーバーコンピューティング機械学習を適用しました。
• このアプローチは、強制リェナール系、結合フィッツヒュー・ナグモモデル、および隠れアトラクターモデルでテストされました。
• 訓練と検証には、数値データと強制リェナール回路からのリアルタイム実験データが使用されました。

主要な成果:

• 機械学習モデルは、Pomeau-Manneville型間欠性と危機誘発性間欠性による極端現象への遷移点を予測することに成功しました。
• 極端現象のattractorおよび統計的特性（イベント分布、イベント間間隔）は正確に再現されました。
• 時間発展予測は数ライアプノフ時間に限られましたが、極端現象の振幅は保持または正確に予測されました。

結論:

• リザーバーコンピューティングは、複雑な力学系における極端現象を予測するための有望なアプローチを提供します。
• この方法は、特に間欠性において、極端現象のダイナミクスと統計的特性を効果的に捉えます。
• 短期の時間発展予測は限定的ですが、振幅予測と遷移点予測は高い精度を示します。