Jul, 2023

使用机器学习控制动态系统达到复杂目标状态：下一代与经典的储层计算

PDF
TL;DR应用机器学习控制混沌参数 Lorenz 系统，研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算，并在实际控制应用中具有进一步潜力。
发现论文，激发创造
  • 利用下一代储层计算控制混沌映射

    在这项研究中，我们将非线性控制与洪流计算的方法相结合，成功地实现了对混沌系统的控制，包括在不稳定的吸引子之间控制系统、将系统稳定在高阶周期轨道上以及将系统控制到特定轨迹，该控制器具有出色的性能，仅需 10 个数据点进行训练，可以在单次迭代中实现对系统的控制，并且对噪声和建模误差具有鲁棒性。

    Jul, 2023

  • 传统与新一代蓄水库计算的混合应用在动力系统精确高效预测中

    基于混合模型的混沌动力系统时间序列预测方法能够提高计算效率和解决传统模型的局限性。

    Mar, 2024

  • 利用边缘计算硬件控制混沌

    使用机器学习创建数字孪生提供了一种数据驱动的方法，可预测系统行为，而通过采用下一代储层计算的非线性控制器，此模型能够解决控制混沌系统到任意时变状态的难题，并能在嵌入式设备上进行评估，为向计算边缘部署高效的机器学习算法迈出了第一步。

    May, 2024

  • 随机储层计算机

    该论文研究了随机库容计算机的普适性，证明了具有随机特性的库容计算机是一种普遍的逼近类，并通过两个实际应用示例展示了其在分类和混沌时间序列预测方面相对确定性库容计算机的高性能。

    May, 2024

  • 关于蓄水池计算及其超越传统机器学习的跨学科应用的调查

    储备计算（RC）是一种递归神经网络，通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力，可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学，可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾，包括模型、应用和脑机制的建模，并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。

    Jul, 2023

  • 机器学习实现的吸引子重构

    利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。

    May, 2018

  • 多尺度储备计算学习噪声诱导的转变

    利用噪声驱动的转换现象的机器学习模型，储层计算（一种递归神经网络）能够学习噪声引起的系统状态转换，通过调整关键的超参数，包括储层动力学的时间尺度，生成准确的转换时间和数量的统计数据，适用于多种系统和蛋白质折叠实验数据，表明机器学习方法可以捕捉噪声引发的现象。

    Sep, 2023

  • 使用测量控制的量子动力学进行储备计算

    我们引入了一种量子 RC 系统，利用共振腔中的受探测原子的动力学，提出的量子储层可以使用较少的人工神经元进行快速可靠的预测，理论上验证了储层的操作并展示了在计算和能源资源有限的条件下使用近似计算方法进行可行预测的潜力。

    Mar, 2024

  • 量子下一代储层计算：一种用于预测量子动力学的高效量子算法

    提出了基于完全量子计算的下一代油藏计算方法，能够准确预测量子动力学的多体系统，且通过跳跃预测技术能够在预测远期状态时减少中间状态的信息提取，并结合块编码技术实现了计算效率的量子加速方法。

    Aug, 2023

  • 基于孤立波和生物灵感非线性变换的物理储层计算

    利用表面流动液膜上激发的孤立波，实验证明一种物理上的储备计算系统，该系统通过对输入数据进行非线性转换来替代随机性的影响，从而作为传统储备计算算法的技术简单的硬件改进。

    Jan, 2024