• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Fysik
    En ny datormetod för att känna igen kaos

    Grafiskt abstrakt. Kredit:The European Physical Journal B (2022). DOI:10.1140/epjb/s10051-022-00280-6

    Kaos är inte alltid skadligt för tekniken, i själva verket kan det ha flera användbara tillämpningar om det kan upptäckas och identifieras.

    Kaos och dess kaotiska dynamik är utbredd i naturen och genom tillverkade enheter och teknologi. Även om kaos vanligtvis anses vara negativt, något som måste tas bort från systemen för att säkerställa att de fungerar optimalt, finns det omständigheter där kaos kan vara en fördel och till och med ha viktiga tillämpningar. Därav ett växande intresse för upptäckt och klassificering av kaos i system.

    En ny artikel publicerad i The European Physical Journal B författad av Dagobert Wenkack Liedji och Jimmi Hervé Talla Mbé från forskningsenheten för kondenserad materia, elektronik och signalbehandling, Institutionen för fysik, University of Dschang, Kamerun, och Godpromesse Kenné, från Laboratoire d' Automatique et d'Informatique Appliquée, Institutionen för Electrical Engineering, IUT-FV Bandjoun, University of Dschang, Kamerun, föreslår att man använder den enda olinjära nodfördröjningsbaserade reservoardatorn för att identifiera kaotisk dynamik.

    I uppsatsen visar författarna att klassificeringsförmågan hos detta system är robust med en noggrannhet på mer än 99 procent. Genom att undersöka effekten av tidsseriens längd på prestandan hos metoden fann de högre noggrannhet uppnådd när den enstaka olinjära nodfördröjningsbaserade reservoardatorn användes med korta tidsserier.

    Flera kvantifierare har utvecklats för att särskilja kaotisk dynamik tidigare, framträdande den största Lyapunov-exponenten (LLE), som är mycket tillförlitlig och hjälper till att visa numeriska värden som hjälper till att bestämma systemets dynamiska tillstånd.

    Teamet övervann problem med LLE som kostnader, behov av matematisk modellering av systemet och långa bearbetningstider genom att studera flera modeller för djupinlärning och hittade att dessa modeller fick dålig klassificeringsgrad. Undantaget från detta var ett konvolutionellt neuralt nätverk med stor kärnstorlek (LKCNN) som kunde klassificera kaotiska och icke-kaotiska tidsserier med hög noggrannhet.

    Genom att använda Mackey-Glass (MG) fördröjningsbaserade reservoardatorsystem för att klassificera icke-kaotiska och kaotiska dynamiska beteenden, visade författarna systemets förmåga att fungera som en effektiv och robust kvantifierare för att klassificera icke-kaotiska och kaotiska signaler.

    De listade fördelarna med systemet de använde eftersom det inte nödvändigtvis kräver kunskap om ekvationsuppsättningen, istället beskrev dynamiken i ett system utan bara data från systemet, och det faktum att neuromorfisk implementering med en analog reservoardator möjliggör den verkliga -tidsdetektering av dynamiska beteenden från en given oscillator.

    Teamet drar slutsatsen att framtida forskning kommer att ägnas åt djupa reservoardatorer för att utforska deras prestanda i klassificeringar av mer komplex dynamik. + Utforska vidare

    Nytt ramverk för klassificering av kaos och termalisering




    © Vetenskap https://sv.scienceaq.com