elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing

Haluszczynski, Alexander und Köglmayr, Daniel und Räth, Christoph (2023) Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing. In: 2023 International Joint Conference on Neural Networks, IJCNN 2023. IEEE. International Joint Conference on Neural Networks (IJCNN), 2023-06-18 - 2023-06-23, Gold Coast, Australien. doi: 10.1109/IJCNN54540.2023.10191257. ISBN 978-166548867-9.

[img] PDF
2MB

Offizielle URL: https://ieeexplore.ieee.org/document/10191257

Kurzfassung

Controlling nonlinear dynamical systems using machine learning allows to not only drive systems into simple behavior like periodicity but also to more complex arbitrary dynamics. For this, it is crucial that a machine learning system can be trained to reproduce the target dynamics sufficiently well. On the example of forcing a chaotic parametrization of the Lorenz system into intermittent dynamics, we show first that classical reservoir computing excels at this task. In a next step, we compare those results based on different amounts of training data to an alternative setup, where next-generation reservoir computing is used instead. It turns out that while delivering comparable performance for usual amounts of training data, next-generation RC significantly outperforms in situations where only very limited data is available. This opens even further practical control applications in real world problems where data is restricted.

elib-URL des Eintrags:https://elib.dlr.de/196431/
Dokumentart:Konferenzbeitrag (Poster)
Titel:Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Haluszczynski, AlexanderAGINICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Köglmayr, DanielDaniel.Koeglmayr (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Räth, ChristophChristoph.Raeth (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2023
Erschienen in:2023 International Joint Conference on Neural Networks, IJCNN 2023
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/IJCNN54540.2023.10191257
Verlag:IEEE
ISBN:978-166548867-9
Status:veröffentlicht
Stichwörter:dynamical systems, time series analysis, controlling, AI, reservoir computing
Veranstaltungstitel:International Joint Conference on Neural Networks (IJCNN)
Veranstaltungsort:Gold Coast, Australien
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:18 Juni 2023
Veranstaltungsende:23 Juni 2023
Veranstalter :IEEE
HGF - Forschungsbereich:keine Zuordnung
HGF - Programm:keine Zuordnung
HGF - Programmthema:keine Zuordnung
DLR - Schwerpunkt:Digitalisierung
DLR - Forschungsgebiet:D KIZ - Künstliche Intelligenz
DLR - Teilgebiet (Projekt, Vorhaben):D - PISA
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für KI-Sicherheit
Hinterlegt von: Räth, Christoph
Hinterlegt am:11 Aug 2023 12:25
Letzte Änderung:01 Aug 2024 03:00

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.