Chaos is niet altijd schadelijk voor technologie, sterker nog, het kan verschillende nuttige toepassingen hebben als het kan worden gedetecteerd en geïdentificeerd.

Chaos en zijn chaotische dynamiek heersen overal in de natuur en door gefabriceerde apparaten en technologie. Hoewel chaos meestal als negatief wordt beschouwd, iets dat uit systemen moet worden verwijderd om hun optimale werking te garanderen, zijn er omstandigheden waarin chaos een voordeel kan zijn en zelfs belangrijke toepassingen kan hebben. Vandaar een groeiende interesse in de detectie en classificatie van chaos in systemen.

Een nieuw artikel gepubliceerd in The European Physical Journal B geschreven door Dagobert Wenkack Liedji en Jimmi Hervé Talla Mbé van de onderzoekseenheid gecondenseerde materie, elektronica en signaalverwerking, afdeling natuurkunde, universiteit van Dschang, Kameroen, en Godpromesse Kenné, van Laboratoire d' Automatique et d'Informatique Appliquée, afdeling Electrical Engineering, IUT-FV Bandjoun, Universiteit van Dschang, Kameroen, stelt voor om de op vertragingen gebaseerde reservoircomputer met één niet-lineair knooppunt te gebruiken om chaotische dynamiek te identificeren.

In het artikel laten de auteurs zien dat de classificatiemogelijkheden van dit systeem robuust zijn met een nauwkeurigheid van meer dan 99 procent. Bij het onderzoeken van het effect van de lengte van de tijdreeksen op de prestaties van de methode, ontdekten ze dat er een hogere nauwkeurigheid werd bereikt wanneer de op vertragingen gebaseerde reservoircomputer met één niet-lineair knooppunt werd gebruikt met korte tijdreeksen.

Er zijn verschillende kwantoren ontwikkeld om chaotische dynamiek in het verleden te onderscheiden, met name de grootste Lyapunov-exponent (LLE), die zeer betrouwbaar is en helpt bij het weergeven van numerieke waarden die helpen bij het bepalen van de dynamische toestand van het systeem.

Het team overwon problemen met de LLE-achtige kosten, de behoefte aan wiskundige modellering van het systeem en lange verwerkingstijden door verschillende deep learning-modellen te bestuderen en ontdekte dat deze modellen slechte classificatiepercentages behaalden. De uitzondering hierop was een groot convolutioneel neuraal netwerk (LKCNN) met kernelgrootte dat chaotische en niet-chaotische tijdreeksen met hoge nauwkeurigheid kon classificeren.

Dus, met behulp van het Mackey-Glass (MG) op vertraging gebaseerde reservoircomputersysteem om niet-chaotisch en chaotisch dynamisch gedrag te classificeren, toonden de auteurs het vermogen van het systeem om te fungeren als een efficiënte en robuuste kwantificator voor het classificeren van niet-chaotische en chaotische signalen. /P>

Ze noemden de voordelen van het systeem dat ze gebruikten omdat ze niet noodzakelijk de kennis van de reeks vergelijkingen vereisten, in plaats daarvan beschreven ze de dynamiek van een systeem, maar alleen gegevens van het systeem, en het feit dat neuromorfische implementatie met behulp van een analoge reservoircomputer de echte -tijddetectie van dynamisch gedrag van een bepaalde oscillator.

Het team concludeert dat toekomstig onderzoek zal worden gewijd aan computers met diepe reservoirs om hun prestaties in classificaties van meer complexe dynamiek te onderzoeken. + Verder verkennen

Nieuw raamwerk voor het classificeren van chaos en thermalisatie