Исследование детерминированных хаотических систем.
Есть экспериментальная рекуррентная нейросеть с динамической архитектурой, для оценки параметров хаотических систем. На вход нейросети подаются детерминированные данные, после каждой итерации, происходит усложнение архитектуры. В качестве метода оценки, используется обучение сети, для поиска паттернов не во входных данных, а в том, какие паттерны (аттракторы) возникли в процессе эволюции самой нейросети.
В планах, разработать адекватные методы оценки и сравнить результаты с недетерминированными данными. По ходу экспериментов, буду отписываться о результатах.
На данном видео генерация гиперхаотических аттракторов, без обучения, со стандартной архитектурой. https://rutube.ru/video/5133f92b4b084195e357300b188139e8
Есть экспериментальная рекуррентная нейросеть с динамической архитектурой, для оценки параметров хаотических систем. На вход нейросети подаются детерминированные данные, после каждой итерации, происходит усложнение архитектуры. В качестве метода оценки, используется обучение сети, для поиска паттернов не во входных данных, а в том, какие паттерны (аттракторы) возникли в процессе эволюции самой нейросети.
В планах, разработать адекватные методы оценки и сравнить результаты с недетерминированными данными. По ходу экспериментов, буду отписываться о результатах.
На данном видео генерация гиперхаотических аттракторов, без обучения, со стандартной архитектурой. https://rutube.ru/video/5133f92b4b084195e357300b188139e8
1,1 Мб, 3309x1995Новый способ обучения дал большее разнообразие аттракторов на первых эпохах, а потом упала производительность.
Поощряю длинные и медленные траектории, так оно вращает тор в 5d пространстве и больше не учится (на деле там бесконечное многообразие, но хаос только в z 4d 5d режимах) и только наращивает нейроны. Добавил кнопку поощрения фрактальных траекторий. Так оно переобучилось и на 6-ти + 4 нейронах теперь это делает.