Controlling dynamical systems into unseen target states using machine learning

要約

我々は、複雑な力学システムをこれまで見たことのない目標状態（大きく異なる複雑な力学を含む状態）に制御するための、モデルフリーでデータ駆動型の新しい方法論を提案します。
次世代リザーバー コンピューティングのパラメーターを意識した実現を活用する当社のアプローチは、観測されていないパラメーター領域でのシステムの動作を正確に予測し、任意のターゲット状態への遷移の制御を可能にします。
重要なのは、これには、周期的動作から断続的または無秩序な動作への移行など、既知の体制とは根本的に異なるダイナミクスを持つ状態が含まれることです。
このメソッドのパラメーター認識により、非定常制御が容易になり、状態間のスムーズな移行が保証されます。
この方法論は、機械学習ベースの制御メカニズムの適用可能性をこれまでアクセスできなかったターゲット ダイナミクスに拡張することで、優れた効率を維持しながら革新的な新しいアプリケーションへの扉を開きます。
私たちの結果は、動的システム制御のための従来の方法に代わる強力な代替手段としてリザーバーコンピューティングを強調しています。

要約(オリジナル)

We present a novel, model-free, and data-driven methodology for controlling complex dynamical systems into previously unseen target states, including those with significantly different and complex dynamics. Leveraging a parameter-aware realization of next-generation reservoir computing, our approach accurately predicts system behavior in unobserved parameter regimes, enabling control over transitions to arbitrary target states. Crucially, this includes states with dynamics that differ fundamentally from known regimes, such as shifts from periodic to intermittent or chaotic behavior. The method’s parameter-awareness facilitates non-stationary control, ensuring smooth transitions between states. By extending the applicability of machine learning-based control mechanisms to previously inaccessible target dynamics, this methodology opens the door to transformative new applications while maintaining exceptional efficiency. Our results highlight reservoir computing as a powerful alternative to traditional methods for dynamic system control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google