Model-Free Prediction of Large Spatiotemporally Chaotic Systems from Data: A Reservoir Computing Approach
Model-Free Prediction of Large Spatiotemporally Chaotic Systems from Data: A Reservoir Computing Approach
复制标题
DOI：
10.1103/physrevlett.120.024102
复制
发表时间：
2018-01-12
影响因子：
8.6
通讯作者：
Ott, Edward
中科院分区：
文献类型：
--
作者：
Pathak, Jaideep;Hunt, Brian;Ott, Edward
我们证明了使用机器学习对任意大空间范围和吸引子维度的时空混沌系统进行无模型预测的有效性，纯粹来自对系统过去进化的观察。我们提出了一个并行计划的水库计算范例的基础上的一个例子实现，并证明了我们的计划的可扩展性，使用Kuramoto-Sivashinsky方程作为时空混沌系统的一个例子。
We demonstrate the effectiveness of using machine learning for model-free prediction of spatiotemporally chaotic systems of arbitrarily large spatial extent and attractor dimension purely from observations of the system's past evolution. We present a parallel scheme with an example implementation based on the reservoir computing paradigm and demonstrate the scalability of our scheme using the Kuramoto-Sivashinsky equation as an example of a spatiotemporally chaotic system.