使用连续时间回声状态网络加速刚性非线性系统的仿真
机器学习
2021-03-25 v6 动力系统
摘要
现代设计、控制和优化通常需要对高度非线性的模型进行仿真，从而导致高昂的计算成本。通过评估完整模型的廉价代理，可以摊销这些成本。在此，我们提出了一种通用的数据驱动方法，即连续时间回声状态网络（CTESN），用于生成具有广泛分离时间尺度的非线性常微分方程的代理模型。我们在一个物理启发的可扩展加热系统模型上经验性地证明了使用我们的 CTESN 具有近常数时间的性能，该系统完整执行时间呈指数增长，同时保持相对误差在 0.2% 以内。我们还表明，我们的模型能够有效捕捉快速瞬态和慢速动态，而物理信息神经网络等其他技术在尝试训练和预测这些模型的高度非线性行为时则面临困难。
引用
@article{arxiv.2010.04004,
title = {Accelerating Simulation of Stiff Nonlinear Systems using Continuous-Time Echo State Networks},
author = {Ranjan Anantharaman and Yingbo Ma and Shashi Gowda and Chris Laughman and Viral Shah and Alan Edelman and Chris Rackauckas},
journal= {arXiv preprint arXiv:2010.04004},
year = {2021}
}