Astratto grafico. Credito:The European Physical Journal B (2022). DOI:10.1140/epjb/s10051-022-00280-6
Il caos non è sempre dannoso per la tecnologia, infatti può avere diverse applicazioni utili se può essere rilevato e identificato.
Il caos e le sue dinamiche caotiche sono prevalenti in tutta la natura e attraverso dispositivi e tecnologie fabbricati. Sebbene il caos sia generalmente considerato un aspetto negativo, qualcosa da rimuovere dai sistemi per garantirne il funzionamento ottimale, ci sono circostanze in cui il caos può essere un vantaggio e può anche avere applicazioni importanti. Da qui un crescente interesse per il rilevamento e la classificazione del caos nei sistemi.
Un nuovo articolo pubblicato su The European Physical Journal B di Dagobert Wenkack Liedji e Jimmi Hervé Talla Mbé dell'Unità di ricerca di materia condensata, elettronica ed elaborazione del segnale, Dipartimento di fisica, Università di Dschang, Camerun, e Godpromesse Kenné, del Laboratoire d' Automatique et d'Informatique Appliquée, Dipartimento di L'ingegneria elettrica, IUT-FV Bandjoun, Università di Dschang, Camerun, propone di utilizzare il computer del serbatoio basato sul ritardo del nodo non lineare per identificare le dinamiche caotiche.
Nel documento, gli autori mostrano che le capacità di classificazione di questo sistema sono solide con una precisione superiore al 99%. Esaminando l'effetto della lunghezza delle serie temporali sulle prestazioni del metodo, hanno riscontrato una maggiore precisione ottenuta quando il computer di giacimento basato sul ritardo del nodo singolo non lineare è stato utilizzato con serie temporali brevi.
In passato sono stati sviluppati diversi quantificatori per distinguere le dinamiche caotiche, in particolare il più grande esponente di Lyapunov (LLE), che è altamente affidabile e aiuta a visualizzare valori numerici che aiutano a decidere lo stato dinamico del sistema.
Il team ha superato problemi con l'LLE come le spese, la necessità della modellazione matematica del sistema e i lunghi tempi di elaborazione studiando diversi modelli di deep learning, scoprendo che questi modelli hanno ottenuto tassi di classificazione scarsi. L'eccezione a ciò era una rete neurale convoluzionale (LKCNN) di grandi dimensioni del kernel che poteva classificare serie temporali caotiche e non caotiche con elevata precisione.
Pertanto, utilizzando il sistema informatico del serbatoio basato sul ritardo Mackey-Glass (MG) per classificare comportamenti dinamici non caotici e caotici, gli autori hanno mostrato la capacità del sistema di agire come un quantificatore efficiente e robusto per classificare segnali non caotici e caotici.
Hanno elencato i vantaggi del sistema utilizzato come non richiedendo necessariamente la conoscenza dell'insieme di equazioni, descrivendo invece la dinamica di un sistema ma solo dati dal sistema e il fatto che l'implementazione neuromorfica utilizzando un computer di riserva analogico consente il reale -rilevamento temporale di comportamenti dinamici da un dato oscillatore.
Il team conclude che la ricerca futura sarà dedicata ai computer a giacimento profondo per esplorare le loro prestazioni nelle classificazioni di dinamiche più complesse. + Esplora ulteriormente
