Framework di Reservoir Computing Adattivo per la Previsione di Sistemi Caotici

I ricercatori hanno creato un nuovo framework di reservoir computing adattivo specificamente per il benchmark CTF-4-Science Lorenz, che valuta i modelli di machine learning attraverso dodici compiti in cinque diversi scenari: previsione di base, ricostruzione di segnali rumorosi, previsione in presenza di rumore, apprendimento few-shot e generalizzazione parametrica. Questo framework personalizza le Echo State Networks (ESN) per ogni scenario e presenta quattro significativi progressi: sincronizzazione precisa dello stato del reservoir per eliminare gli errori di approssimazione del warmup nelle previsioni a breve termine; selezione dei candidati guidata dall'istogramma per migliorare le metriche ergodiche a lungo termine; esplorazione multi-seed del reservoir per contesti few-shot con dati scarsi; e addestramento sequenziale multi-sequenza per affrontare le discrepanze nella distribuzione degli stati. Questa metodologia migliora sia l'accuratezza delle previsioni che la robustezza in varie sfide di previsione di sistemi caotici.