ハイブリッドマルチスケール遅延リザーバーコンピューティングによる長期高精度カオスシステム予測

科学分野:

• 非線形ダイナミクスと複雑系科学。
• 計算神経科学と機械学習。
• 時系列解析と予測。

背景:

• カオス力学系は、初期条件に対する極端な感度とマルチスケール時間ダイナミクスを示し、予測に大きな課題をもたらします。
• 従来のコンピューターリザーバー（RC）および遅延フィードバックコンピューターリザーバー（DRC）は有望ですが、複雑なマルチスケール特徴を捉えられないことがよくあります。
• 既存のマルチスケールアプローチ（MS-RC、MS-DRC）は特徴表現を改善しますが、長期間の予測においては依然として限界に直面する可能性があります。

研究 の 目的:

• カオスシステム予測を強化するために設計された新規ハイブリッドマルチスケール遅延リザーバーコンピューティング（HyMS-DRC）フレームワークを導入すること。
• 既存のRC手法がマルチスケールダイナミクスを捉え、メモリの減衰を緩和する上での限界に対処すること。
• 標準的な手法と比較して、カノン的なカオスシステムにおけるHyMS-DRCの性能を評価すること。

主な方法:

• 標準RCと遅延フィードバックRCを統合した並列マルチスケールアーキテクチャを開発しました。
• 時間スケール全体にわたるダイナミクスの表現を強化し、メモリの減衰に対抗するために状態融合を実装しました。
• ダブルスクロール、ローレンツ、ロッサーカオスシステムでHyMS-DRCを体系的に評価し、RC、DRC、MS-RC、MS-DRCと比較しました。

主要な成果:

• HyMS-DRCは、テストされたシステムでそれぞれ0.0089、0.0137、0.0662という最小の正規化二乗平均平方根誤差（NRMSE）を達成し、優れた予測性能を示しました。
• このフレームワークは、約27.85、24.29、22.37という最長の有効予測時間を示しました。
• 長期統計解析により、ロバストなアトラクタ幾何学的再構成と正確なパワースペクトル分布再現が確認されました。

結論:

• 提案されたHyMS-DRCフレームワークは、リザーバーにおける時間的メモリと特徴表現を大幅に強化します。
• マルチスケール構造と遅延フィードバックの組み合わせは、カオスシステムの正確でロバストな長期予測に不可欠です。
• HyMS-DRCは、複雑な非線形ダイナミクスの優れた汎化能力とモデリング能力を示します。