Grafisk abstrakt. Kredit:The European Physical Journal B (2022). DOI:10.1140/epjb/s10051-022-00280-6
Kaos er ikke altid skadeligt for teknologien, faktisk kan det have flere nyttige applikationer, hvis det kan opdages og identificeres.
Kaos og dets kaotiske dynamik er udbredt i hele naturen og gennem fremstillede enheder og teknologi. Selvom kaos normalt betragtes som et negativt, noget der skal fjernes fra systemerne for at sikre deres optimale drift, er der omstændigheder, hvor kaos kan være en fordel og endda kan have vigtige anvendelser. Derfor en voksende interesse for detektering og klassificering af kaos i systemer.
En ny artikel offentliggjort i The European Physical Journal B forfattet af Dagobert Wenkack Liedji og Jimmi Hervé Talla Mbé fra forskningsenheden for kondenseret stof, elektronik og signalbehandling, Institut for Fysik, University of Dschang, Cameroun, og Godpromesse Kenné, fra Laboratoire d' Automatique et d'Informatique Appliquée, Institut for Electrical Engineering, IUT-FV Bandjoun, University of Dschang, Cameroun, foreslår at bruge den enkelte ikke-lineære node-forsinkelsesbaserede reservoircomputer til at identificere kaotisk dynamik.
I papiret viser forfatterne, at klassificeringsmulighederne i dette system er robuste med en nøjagtighed på mere end 99 procent. Ved at undersøge virkningen af længden af tidsserien på ydeevnen af metoden fandt de højere nøjagtighed opnået, når den enkelte ikke-lineære node forsinkelsesbaserede reservoircomputer blev brugt med korte tidsserier.
Adskillige kvantifikatorer er blevet udviklet til at skelne mellem kaotisk dynamik i fortiden, fremtrædende den største Lyapunov-eksponent (LLE), som er yderst pålidelig og hjælper med at vise numeriske værdier, der hjælper med at bestemme systemets dynamiske tilstand.
Holdet overvandt problemer med LLE som udgifter, behov for matematisk modellering af systemet og lange behandlingstider ved at studere adskillige deep learning-modeller og fandt, at disse modeller opnåede dårlige klassifikationsrater. Undtagelsen fra dette var et kernestørrelses konvolutionelt neuralt netværk (LKCNN), som kunne klassificere kaotiske og ikke-kaotiske tidsserier med høj nøjagtighed.
Ved at bruge det Mackey-Glass (MG) forsinkelsesbaserede reservoir-computersystem til at klassificere ikke-kaotisk og kaotisk dynamisk adfærd, viste forfatterne systemets evne til at fungere som en effektiv og robust kvantifier til klassificering af ikke-kaotiske og kaotiske signaler.
De oplistede fordelene ved det system, de brugte, som ikke nødvendigvis kræver kendskab til ligningssættet, i stedet for at beskrive dynamikken i et system, men kun data fra systemet, og det faktum, at neuromorfisk implementering ved hjælp af en analog reservoircomputer muliggør den virkelige -tidsdetektering af dynamisk adfærd fra en given oscillator.
Holdet konkluderer, at fremtidig forskning vil blive afsat til computere med dybe reservoirer for at udforske deres præstationer i klassifikationer af mere kompleks dynamik. + Udforsk yderligere