Obtaining repeated measurements through observables of underlying physical and natural systems to build dynamical models is engraved in modern science. A key to the success of such methods is that the dynamics in the observed space can often be described by a map that has much lower functional complexity than the one that describes the unknown underlying system. Finding observables that can empirically reduce the functional complexity of the map to be learned, and at the same time, theoretically guarantee exact reconstruction in the new phase space is an open challenge. Here, we determine a set of observables for the Koopman operator of the inverse-limit system of a dynamical system that guarantees exact reconstruction of the underlying dynamical system. Similar to the delay coordinate maps being universal observables in Takens delay embedding, the observables we determine are universal, and hence do not need to be changed while the underlying system is changed. They are determined by a class of driven systems that are comparable to those used in reservoir computing, but which also can causally embed a dynamical system, a phenomenon which we newly describe. Dynamics in the observed space is then shown to be topologically conjugate to the underlying system. Deep learning methods can be used to learn accurate equations from data as a consequence of the topological conjugacy. Besides stability, amenability for hardware implementations, causal embedding-based models provide long-term consistency even for systems that have failed with previously reported data-driven or machine learning methods.


翻译:通过对基本物理和自然系统进行观测以建立动态模型的反复测量,在现代科学中被刻画了。这种方法成功的关键是,观测空间的动态常被描述为功能复杂性远低于描述未知基础系统的地图。找到能够从经验上减少地图功能复杂性的观测,同时,理论上保证在新阶段空间进行精确重建是一个公开的挑战。在这里,我们为一个动态系统反向限制系统的库普曼操作员确定了一系列观测结果,该动态系统保证了基础动态系统的确切重建。类似地,所观测空间的动态动态动态动态系统动态动态的动态可被描述为在使用延迟嵌入时普遍观测的地图,我们确定的观测结果是普遍性的,因此在改变基础系统时不需要改变。这些观测结果是由一类驱动系统所决定的,这种系统与储油层计算所使用的系统相仿,但也可能因果性地嵌入一个动态系统,一种我们新描述的现象。观测到的空间动态动态动态系统随后显示,从表学角度将地图与基础系统相连接起来。我们确定的动态系统是,因此,我们确定的观察结果是:在延迟嵌嵌入后,我们确定一个精确的机型数据流化的模型,因此,可以使用一种数据流数据流数据流化的计算方法可以用来学习一个精确度,可以用来学习一个硬化的硬性模型,而使用。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
如何构建你的推荐系统?这份21页ppt教程为你讲解
专知会员服务
64+阅读 · 2021年2月12日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
word2Vec总结
AINLP
3+阅读 · 2019年11月2日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Arxiv
0+阅读 · 2021年10月24日
Arxiv
0+阅读 · 2021年10月22日
VIP会员
相关VIP内容
专知会员服务
76+阅读 · 2021年3月16日
如何构建你的推荐系统?这份21页ppt教程为你讲解
专知会员服务
64+阅读 · 2021年2月12日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
word2Vec总结
AINLP
3+阅读 · 2019年11月2日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Top
微信扫码咨询专知VIP会员