学一尺寸以推所有：利用可扩展神经网络在延迟动力与时空系统中发掘平移对称性
机器学习
2024-07-08 v3 适应与自组织系统
摘要
我们设计适应动力系统平移对称性的可扩展神经网络，能够针对不同系统规模推断未训练的高维动力学。我们以单一规模训练这些网络预测延迟动力与时空系统的动力学。随后，我们用网络自身的预测来驱动网络。我们证明，通过缩放已训练网络的规模，可预测更大或更小系统规模的复杂动力学。因此，网络从单一示例中学习，并通过利用对称性性质推断整个分岔图。
引用
@article{arxiv.2111.03706,
title = {Learn one size to infer all: Exploiting translational symmetries in delay-dynamical and spatio-temporal systems using scalable neural networks},
author = {Mirko Goldmann and Claudio R. Mirasso and Ingo Fischer and Miguel C. Soriano},
journal= {arXiv preprint arXiv:2111.03706},
year = {2024}
}