×
安托万·布兰查德;Sapsis，Themistoklis P。

从数据中学习动力不稳定性的切线空间。 （英语） Zbl 1432.37121号

混乱 29，第11期，113120页，第15页（2019年）。
摘要：对于一大类动力学系统，最优时间相关（OTD）模式是一组可变形的正交切线向量，沿任何轨迹跟踪不稳定性的方向，已知其“逐点”依赖于吸引子上系统的状态，而不是轨迹的历史。我们利用神经网络的能力，直接从数据中学习从相空间到OTD空间的“逐点”映射。学习过程的结果是绘制与相空间中最强不稳定性相关的方向图。讨论了数据驱动的动力学不稳定性预测和控制的含义。
©2019美国物理研究所

引用于3文件

MSC公司：

37号30 数值分析中的动力系统
37米22 动力系统吸引子的计算方法
70公里50 力学非线性问题的分岔与不稳定性

关键词：

最佳时变模式;不稳定性方向;数据驱动预测

软件：

DGM公司;Autograd公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Blanchard}和\textit{T.P.Sapsis}，混沌29，第11期，113120，15页（2019年；Zbl 1432.37121）
全文： 内政部 arXiv公司

参考文献：

[1] Chomaz，J.-M.，《空间发展流中的全球不稳定性：非正态性和非线性》，年。流体力学版次。，37, 357-392 (2005) ·Zbl 1117.76027号 ·doi:10.1146/annurev.fluid.37.061903.175810
[2] Schmid，P.J.，非模态稳定性理论，Annu。流体力学版次。，39, 129-162 (2007) ·Zbl 1296.76055号 ·doi:10.1146/annurev.fluid.38.050304.092139
[3] 宾夕法尼亚州。；Sardeshmukh，P.D.，热带海面温度异常的最佳增长，J.Clim。，8, 1999-2024 (1995) ·doi:10.1175/1520-0442（1995）008<1999:TOGOTS>2.0.CO；2
[4] 阿赫梅迪耶夫，N。；达德利，J.M。；Solli，D.R。；Turitsyn，S.K.，《光学流氓波研究的最新进展》，J.Opt。，15, 060201 (2013) ·doi:10.1088/2040-8978/15/6/060201
[5] Balasubramanian，K。；Sujith，R.I.，《Rijke管中的热声不稳定性：非正规性和非线性》，《物理学》。流体，20, 044103 (2008) ·Zbl 1182.76048号 ·数字对象标识代码：10.1063/1.2895634
[6] 古根海默，J。；Holmes，P.，《非线性振动、动力系统和向量场分岔》（1983）·Zbl 0515.34001号
[7] Trefethen，L.N。；Trefethen，A.E。；南卡罗来纳州雷迪。；Driscoll，T.A.，《无特征值的水动力稳定性》，《科学》，261, 578-584 (1993) ·兹比尔1226.76013 ·doi:10.1126/science.261.5121.578
[8] Eckmann，J.-P.和Ruelle，D.，“混沌和奇异吸引子的遍历理论”，载于《混沌吸引子理论》（Springer，1985），第273-312页·Zbl 0989.37516号
[9] Legras，B.和Vautard，R.，“Liapunov向量指南”，载于《1995年ECMWF可预测性研讨会论文集》（ECMWF，1996），第1卷，第143-156页。
[10] 埃克曼，J.-P。；Kamphorst，S.O。；Ruelle博士。；Ciliberto，S.，时间序列的Liapunov指数，物理学。版次A，34, 4971 (1986) ·doi:10.1103/PhysRevA.34.4971
[11] 萨诺，M。；Sawada，Y.，《从混沌时间序列测量李亚普诺夫谱》，《物理学》。修订稿。，55, 1082 (1985) ·doi:10.1103/PhysRevLett.55.1082
[12] 罗森斯坦，M.T。；柯林斯，J.J。；De Luca，C.J.，从小数据集计算最大Lyapunov指数的实用方法，Physica D，65, 117-134 (1993) ·Zbl 0779.58030号 ·doi:10.1016/0167-2789（93）90009-P
[13] Kantz，H.，估计时间序列最大Lyapunov指数的稳健方法，Phys。莱特。A、，185, 77-87 (1994) ·doi:10.1016/0375-9601（94）90991-1
[14] Wolfe，C.L。；Samelson，R.M.，从奇异向量中恢复Lyapunov向量的有效方法，Tellus A:Dyn。美托洛尔。海洋学，59, 355-366 (2007) ·doi:10.1111/j.1600-0870.2007.00234.x
[15] Ershov，S.V。；Potapov，A.B.，《关于平稳Lyapunov基的概念》，Physica D，118, 167-198 (1998) ·Zbl 1194.34097号 ·doi:10.1016/S0167-2789（98）00013-X
[16] A.布兰查德。；Sapsis，T.P.，瞬态不稳定性降阶建模的最佳时间依赖模式的分析描述，SIAM J.Appl。动态。系统。，18, 1143-1162 (2019) ·兹比尔1433.70034 ·doi:10.1137/18M1212082
[17] Fenichel，N.，常微分方程的几何奇异摄动理论，J.Differ。等于。，31, 53-98 (1979) ·兹伯利0476.34034 ·doi:10.1016/0022-0396（79）90152-9
[18] Sirovich，L.，湍流和相干结构动力学。第I-III部分，夸脱。申请。数学。，45, 561-590 (1987) ·兹比尔0676.76047 ·doi:10.1090/qam/910462
[19] Sirovich，L。；Kirby，M.，《人脸特征化的低维程序》，J.Opt。美国证券交易所，4, 519-524 (1987) ·doi:10.1364/JOSAA.4.000519
[20] Amsallem，D。；Zahr，M.J。；Farhat，C.，基于局部降阶基的非线性模型降阶，国际期刊Numer。方法工程。，92, 891-916 (2012) ·Zbl 1352.65212号 ·doi:10.1002/nme.4371
[21] Kaiser，E。；Noack，B.R。；科迪尔，L。；斯波恩，A。；Segond，M。；阿贝尔，M。；大卫·G。；J·斯蒂。；Krajnović，S。；Niven，R.K.，混合层的基于团簇的降阶建模，J.流体力学。，754, 365-414 (2014) ·Zbl 1329.76177号 ·doi:10.1017/jfm.2014.355
[22] Brunton，S.L。；Proctor，J.L。；Kutz，J.N.，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学。美国。，113, 3932-3937 (2016) ·Zbl 1355.94013号 ·doi:10.1073/pnas.1517384113
[23] 长，Z。；卢，Y。；马，X。；B·东。
[24] 莱斯，M。；Karniadakis，G.E.，《隐藏物理模型：非线性偏微分方程的机器学习》，J.Compute。物理。，357，125-141（2018）·Zbl 1381.68248号 ·doi:10.1016/j.jcp.2017.11.039
[25] 杜里兹，T。；Brunton，S.L。；Noack，B.R.，《机器学习控制：驯服非线性动力学和湍流》（2017）·Zbl 1349.76001号
[26] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，年。流体力学版次。，51, 357-377 (2019) ·Zbl 1412.76040号 ·doi:10.1146/annurev-fluid-010518-040547
[27] 布鲁顿，S。；诺亚克，B。；Koumoutsakos，P.，《流体力学年鉴》。
[28] 拉加里斯，I.E。；利卡斯，A。；Fotiadis，D.I.，求解常微分方程和偏微分方程的人工神经网络，IEEE Trans。神经网络。，9, 987-1000 (1998) ·数字对象标识代码：10.1109/72.712178
[29] 西里尼亚诺，J。；Spiliopoulos，K.，DGM：解偏微分方程的深度学习算法，J.Compute。物理。，375, 1339-1364 (2018) ·Zbl 1416.65394号 ·doi:10.1016/j.jcp.2018.08.029
[30] 卢，L。；X孟。；毛，Z。；卡尼亚达基斯，G.E。
[31] 丝绸，D。；柯克，P.D。；巴恩斯，C.P。；Toni，T。；Rose，A。；Moon，S。；Dallman，M.J。；Stumpf，M.P.，《通过混沌和振荡动力学状态的自动识别设计吸引人的模型》，美国国家通讯社。，2, 489 (2011) ·doi:10.1038/ncomms1496
[32] Haugaard，A.M.，使用低维流形预测大型混沌系统的边界，PLoS One，12，e0179507（2017）·doi:10.1371/journal.pone.0179507
[33] Laptev，N.、Yosinski，J.、Li，L.E.和Smyl，S.，“优步的神经网络时间序列极端事件预测”，国际机器学习会议（ICML，2017），第34卷，第1-5页。
[34] Wan，Z.Y。；弗拉恰斯，P。；库穆塔科斯，P。；Sapsis，T.，复杂动力系统中极端事件的数据辅助降阶建模，PLoS One，13，e0197704（2018）·doi:10.1371/journal.pone.019704
[35] Pathak，J。；卢，Z。；亨特，B.R。；Girvan，M。；Ott，E.，使用机器学习复制混沌吸引子并从数据计算Lyapunov指数，混沌，27, 121102 (2017) ·Zbl 1390.37138号 ·doi:10.1063/1.5010300
[36] Vlachas，P.R.、Pathak，J.、Hunt，B.R.、Sapsis，T.P.、Girvan，M.、Ott，E.和Koumoutsakos，P.，“用递归神经网络预测时空混沌动力学：水库计算和反向传播算法的比较研究”，J.neural Netw。（已提交），请参阅。
[37] Babaee，H。；Sapsis，T.P.，描述有限时间不稳定性相关模式的最小化原则，Proc。R.Soc.A公司，472, 20150779 (2016) ·Zbl 1371.34064号 ·doi:10.1098/rspa.2015.0779
[38] Lasota，A。；Mackey，M.C.，确定性系统的概率特性（1985）·Zbl 0606.58002号
[39] Babaee，H。；Farazmand，M。；Haller，G。；Sapsis，T.P.，瞬态不稳定性的降阶描述和有限时间Lyapunov指数的计算，混沌，27, 063103 (2017) ·Zbl 1390.37137号 ·doi:10.1063/1.4984627
[40] Farazmand，M。；Sapsis，T.P.，预测高维系统中爆发现象的动力学指标，Phys。版次E，94, 032212 (2016) ·doi:10.1103/PhysRevE.94.032212
[41] A.布兰查德。；莫拉维，S。；Sapsis，T.P.，通过动态一致降阶控制最佳时间依赖模式的线性不稳定性，非线性动力学。，95, 2745-2764 (2019) ·兹比尔1437.70036 ·doi:10.1007/s11071-018-4720-1
[42] 布兰查德，A。；Sapsis，T.P.，通过具有最佳时间依赖模式的降阶控制稳定非定常流，Phys。Rev.流体，4, 053902 (2019) ·doi:10.1103/PhysRevFluids.4.053902
[43] Goldhirsch，I。；Sulem，P.-L。；Orszag，S.A.，《动力系统的稳定性和Lyapunov稳定性：微分方法和数值方法》，Physica D，27, 311-337 (1987) ·Zbl 0656.34045号 ·doi:10.1016/0167-2789（87）90034-0
[44] Oseledec，V.I.，乘法遍历定理：动力系统的Lyapunov特征数，Trans。莫斯科数学。Soc.公司。，19, 197-231 (1968) ·兹伯利0236.93034
[45] 霍尼克，K。；Stinchcombe，M。；White，H.，多层前馈网络是通用逼近器，神经网络。，2, 359-366 (1989) ·Zbl 1383.92015年 ·doi:10.1016/0893-6080（89）90020-8
[46] 博图，L。；柯蒂斯，F.E。；Nocedal，J.，《大规模机器学习的优化方法》，SIAM Rev。，60, 223-311 (2018) ·Zbl 1397.65085号 ·doi:10.1137/16M1080173
[47] Dobkin，D。；Lipton，R.J.，多维搜索问题，SIAM J.Compute。，5, 181-186 (1976) ·Zbl 0333.68031号 ·数字对象标识代码：10.1137/0205015
[48] Raissi，M.，《深层隐藏物理模型：非线性偏微分方程的深层学习》，J.Mach。学习。物件。，19, 932-955 (2018) ·Zbl 1439.68021号
[49] Roweis，S.T。；Saul，L.K.，局部线性嵌入的非线性降维，科学，290，2323-2326（2000年）·doi:10.1126/science.290.5500.2323
[50] 张，Z。；Zha，H.，通过切线空间对齐的主流形和非线性降维，SIAM J.Sci。计算。，26, 313-338 (2004) ·兹比尔1077.65042 ·doi:10.1137/S1064827502419154
[51] Maclaurin，D.、Duvenaud，D.和Adams，R.P.，“Autograd：NumPy中的轻松梯度”，载于ICML 2015 AutoML研讨会（ICML，2015），第238卷。
[52] 拉马钱德兰，P。；Zoph，B。；Le，Q.V。
[53] Glrot，X.和Bengio，Y.，《理解深度前馈神经网络训练的困难》，载于《第十三届国际人工智能与统计会议论文集》（JMLR，2010），第249-256页。
[54] Kingma，D.P。；Ba，J。
[55] 古德费罗，I。；Y.本吉奥。；A.Courville，《深度学习》（2016）·Zbl 1373.68009号
[56] Blanchard，A.和Sapsis，T.P.，见《深度OTD：OTD模式的数据驱动学习》（2019年）。
[57] Noack，B.R。；阿法纳西耶夫，K。；莫津斯基，M。；Tadmor，G。；Thiele，F.，瞬态和瞬态后圆柱尾迹的低维模型层次，J.流体力学。，497, 335-363 (2003) ·Zbl 1067.76033号 ·doi:10.1017/S0022112003006694
[58] 克罗梅林，D.T。；Opsteegh，J.D。；Verhulst，F.，大气状态行为的机制，J.Atmos。科学。，61, 1406-1419 (2004) ·doi:10.1175/1520-0469（2004）061<1406:AMFARB>2.0.CO；2
[59] Noack，B.R。；Eckelmann，H.，稳态和周期圆柱尾迹的整体稳定性分析，J.流体力学。，270, 297-330 (1994) ·Zbl 0813.76025号 ·doi:10.1017/S0022112094004283
[60] Todorovski，L.和Díeroski，S.，“方程发现中的声明性偏差”，载于ICML（ICML，1997），第376-384页·Zbl 1053.68653号
[61] 托多罗夫斯基，L。；Díeroski，S.，《整合知识驱动和数据驱动的建模方法》，Ecol。型号1。，194, 3-13 (2006) ·doi:10.1016/j.ecolmodel.2005.10.001
[62] Tanevski，J.、Simidjievski，N.和Džeroski，S.，“方程发现的生物电路设计”，符号系统生物学学习与发现研讨会（ECML/PKDD，2012），第2-16页。
[63] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《利用噪声多保真数据推断微分方程解》，J.Compute。物理。，335，736-746（2017）·Zbl 1382.65229号 ·doi:10.1016/j.jp.2017.01.060
[64] 张，D。；郭，L。；卡尼亚达基斯，G.E。
[65] Amsallem，D。；Farhat，C.，调整降阶模型的插值方法及其在气动弹性中的应用，AIAA J。，46, 1803-1813 (2008) ·数字对象标识代码：10.2514/1.35374
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。