Le chaos n'est pas toujours nocif pour la technologie, en fait, il peut avoir plusieurs applications utiles s'il peut être détecté et identifié.

Le chaos et sa dynamique chaotique sont répandus dans la nature et à travers les dispositifs et la technologie manufacturés. Bien que le chaos soit généralement considéré comme un élément négatif, quelque chose à supprimer des systèmes pour assurer leur fonctionnement optimal, il existe des circonstances dans lesquelles le chaos peut être un avantage et peut même avoir des applications importantes. D'où un intérêt croissant pour la détection et la classification du chaos dans les systèmes.

Un nouvel article publié dans The European Physical Journal B rédigé par Dagobert Wenkack Liedji et Jimmi Hervé Talla Mbé de l'Unité de Recherche Matière Condensée, Electronique et Traitement du Signal, Département de Physique, Université de Dschang, Cameroun, et Godpromesse Kenné, du Laboratoire d'Automatique et d'Informatique Appliquée, Département de Génie électrique, IUT-FV Bandjoun, Université de Dschang, Cameroun, propose d'utiliser l'ordinateur de réservoir basé sur le retard d'un nœud non linéaire pour identifier la dynamique chaotique.

Dans l'article, les auteurs montrent que les capacités de classification de ce système sont robustes avec une précision de plus de 99 %. En examinant l'effet de la longueur de la série chronologique sur les performances de la méthode, ils ont trouvé une plus grande précision obtenue lorsque l'ordinateur de réservoir basé sur le retard d'un seul nœud non linéaire était utilisé avec de courtes séries chronologiques.

Plusieurs quantificateurs ont été développés pour distinguer la dynamique chaotique dans le passé, en particulier le plus grand exposant de Lyapunov (LLE), qui est très fiable et permet d'afficher des valeurs numériques qui aident à décider de l'état dynamique du système.

L'équipe a surmonté les problèmes liés au LLE tels que les dépenses, le besoin de modélisation mathématique du système et les longs temps de traitement en étudiant plusieurs modèles d'apprentissage en profondeur, trouvant que ces modèles obtenaient de faibles taux de classification. L'exception à cela était un réseau de neurones convolutifs de grande taille de noyau (LKCNN) qui pouvait classer les séries chronologiques chaotiques et non chaotiques avec une grande précision.

Ainsi, en utilisant le système informatique de réservoir basé sur le retard Mackey-Glass (MG) pour classer les comportements dynamiques non chaotiques et chaotiques, les auteurs ont montré la capacité du système à agir comme un quantificateur efficace et robuste pour classer les signaux non chaotiques et chaotiques. /P>

Ils ont énuméré les avantages du système qu'ils utilisaient comme ne nécessitant pas nécessairement la connaissance de l'ensemble d'équations, décrivant plutôt la dynamique d'un système mais uniquement les données du système, et le fait que la mise en œuvre neuromorphique utilisant un ordinateur de réservoir analogique permet le réel -détection temporelle des comportements dynamiques d'un oscillateur donné.

L'équipe conclut que des recherches futures seront consacrées aux ordinateurs de réservoirs profonds pour explorer leurs performances dans les classifications de dynamiques plus complexes. + Explorer plus loin

Nouveau cadre pour classer le chaos et la thermalisation