预测协调的宇宙时间的物理实现与封闭的循环单位
Mayra Alejandra Rivera-Ruiz1, José Mauricio López-Romero2, Andres Mendez-Vazquez1
1Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional, CINVESTAV, Unidad Guadalajara, Zapopan, Jalisco, Mexico.
The Review of scientific instruments
|January 26, 2024
概括
本研究介绍了Gated Recurrent Unit (GRU),一种深度学习方法,用于预测协调宇宙时间 (UTC) 的差异. GRU实现了高精度,典型的误差约为1纳秒,对于计时应用至关重要.
科学领域:
- 计量学 计量学 计量学
- 计算机科学 计算机科学
- 时间计时 时间计时
背景情况:
- 协调宇宙时间 (UTC) 是全球时间标准,但缺乏直接的物理信号.
- 物理实现,UTC ((k),对于导航和通信等关键应用至关重要.
- 准确预测UTC-UTC(k) 差异对于保持UTC(k) 时间表稳定性至关重要.
研究的目的:
- 应用一个深度学习技术,Gated Recurrent Unit (GRU),用于预测未来的UTC-UTCk时间差异.
- 评估GRU在10个不同的UTC (k) 时间尺度中预测这些时间差异方面的表现.
- 建立一种新的方法来提高物理UTC实现的准确性和稳定性.
主要方法:
- 作为训练样本,利用了来自BIPM的圆形T的历史UTC-UTC (k) 时差数据.
- 实施了使用Gated Recurrent Unit (GRU) 模型的多输入,多输出深度学习策略.
- 在大约300个过去的数据点上训练了GRU模型,以预测接下来的6个未来值 (H=6).
主要成果:
- 与其他深度学习算法相比,GRU模型在预测UTC-UTC (k) 时间尺度方面表现强.
- 使用GRU模型的UTC-UTC(k) 值的预测误差通常在1纳秒左右.
- 测试了该模型在十个不同的UTC (((k) 时间尺度上的有效性,证实了其通用性.
结论:
- 门式循环单位 (GRU) 是一种高效的深度学习方法,用于预测UTC-UTC (k) 时间差异.
- 实现的预测精度约为1纳秒,支持关键计时应用程序的稳定性.
- 在UTC (k) 时间尺度内的频率不稳定性仍然是限制预测误差进一步减少的主要因素.
