多情景混沌系统预测的自适应流体计算机
人工智能
2026-05-28 v1 机器学习
摘要
我们提出了一个用于 CTF-4-Science Lorenz 基准的自适应流体计算机框架，该基准评估机器学习模型在十二个不同任务上的表现，这些任务涵盖五种质地不同的情景：基线预测、带噪声信号重建、受噪声预测、few-shot学习和参数泛化。与此不同的是，我们针对每个评估情景的具体需求调整 Echo State Networks (ESN) 的训练和预测程序。我们的主要贡献有四个：(1)消除短时预测中 warmup 近似误差的精确储存状态同步；(2)直观优化长时间 ergodic 评估指标的直方图引导的候选选择；(3)针对训练数据严格受限的 few-shot 场景的多随机数储存搜索；(4)解决参数泛化任务中状态分布不匹配的顺序多序列训练。该提议框架在公共基准排行榜上取得 74.91 分的分数，表明 carefully 调整的流体计算机构成了多样化混沌系统建模挑战的具竞争力且计算高效的方法。
引用
@article{arxiv.2605.28145,
title = {Adaptive Reservoir Computing for Multi-Scenario Chaotic System Forecasting},
author = {Shadmehr Zaregarizi and Khashayar Yavari},
journal= {arXiv preprint arXiv:2605.28145},
year = {2026}
}
备注
4 pages, 2 figures