基于前驱体驱动的机器学习预测克尔谐振腔中的混沌极端脉冲
光学
2022-06-08 v1
摘要
机器学习算法已在高维混沌系统预测的坚固壁垒中打开缺口。其从数据中发现隐藏关联的能力可被用于时空混沌与极端事件的无模型预报。然而，此类演化的广延特性对全尺度预报过程构成了关键限制。因此，预报相关事件的主要挑战在于确定 pertinent 信息集。在此，我们从系统的转移熵与深度长短期记忆（LSTM）网络中识别前驱体，以预报演化于高维时空混沌态的系统的复杂动力学。该基于信息流映射的可触发无模型预测协议的性能，利用源自工作于此类复杂非线性态的被动谐振腔的实验数据进行了测试。我们已能在检测到前驱体后最多 9 个往返（即 Lyapunov 指数所提供时间尺度的 3 倍）预测极端事件的发生，其中 92% 为真阳性预测，准确率达 60%。
引用
@article{arxiv.2201.02819,
title = {Precursor-driven machine learning prediction of chaotic extreme pulses in Kerr resonators},
author = {S. Coulibaly and F. Bessin and M. G. Clerc and A. Mussot},
journal= {arXiv preprint arXiv:2201.02819},
year = {2022}
}