Un nuevo enfoque informático para reconocer el caos

El caos no siempre es dañino para la tecnología, de hecho, puede tener varias aplicaciones útiles si se puede detectar e identificar.

El caos y su dinámica caótica prevalecen en toda la naturaleza y a través de dispositivos y tecnología fabricados. Aunque el caos generalmente se considera negativo, algo que debe eliminarse de los sistemas para garantizar su funcionamiento óptimo, hay circunstancias en las que el caos puede ser un beneficio e incluso puede tener aplicaciones importantes. De ahí un creciente interés por la detección y clasificación del caos en los sistemas.

Un nuevo artículo publicado en La revista física europea B escrito por Dagobert Wenkack Liedji y Jimmi Hervé Talla Mbé de la Unidad de Investigación de Materia Condensada, Electrónica y Procesamiento de Señales, Departamento de Física, Universidad de Dschang, Camerún, y Godpromesse Kenné, del Laboratoire d’ Automatique et d’Informatique Appliquée, Departamento de Ingeniería Eléctrica, IUT-FV Bandjoun, Universidad de Dschang, Camerún, propone utilizar la computadora de reservorio basada en retardo de nodo único no lineal para identificar dinámicas caóticas.

En el documento, los autores muestran que las capacidades de clasificación de este sistema son sólidas con una precisión de más del 99 por ciento. Al examinar el efecto de la duración de la serie temporal en el rendimiento del método, encontraron que se lograba una mayor precisión cuando se usaba la computadora del yacimiento basada en retardo de nodo no lineal único con series temporales cortas.

Se han desarrollado varios cuantificadores para distinguir dinámicas caóticas en el pasado, destacando el mayor exponente de Lyapunov (LLE), que es altamente confiable y ayuda a mostrar valores numéricos que ayudan a decidir sobre el estado dinámico del sistema.

El equipo superó problemas con el LLE como los gastos, la necesidad de un modelo matemático del sistema y los largos tiempos de procesamiento mediante el estudio de varios modelos de aprendizaje profundo y encontró que estos modelos obtuvieron tasas de clasificación deficientes. La excepción a esto fue una red neuronal convolucional de gran tamaño de kernel (LKCNN) que podía clasificar series de tiempo caóticas y no caóticas con alta precisión.

Por lo tanto, utilizando el sistema informático de reservorio basado en retardo Mackey-Glass (MG) para clasificar los comportamientos dinámicos no caóticos y caóticos, los autores demostraron la capacidad del sistema para actuar como un cuantificador eficiente y robusto para clasificar señales no caóticas y caóticas.

Enumeraron las ventajas del sistema que usaron como que no necesariamente requieren el conocimiento del conjunto de ecuaciones, sino que describen la dinámica de un sistema pero solo datos del sistema, y ​​el hecho de que la implementación neuromórfica usando una computadora de reservorio analógico permite el verdadero -Detección de tiempo de comportamientos dinámicos de un oscilador dado.

El equipo concluye que la investigación futura se dedicará a las computadoras de yacimientos profundos para explorar su desempeño en clasificaciones de dinámicas más complejas.