Concept d’artiste.
Le chaos n’est pas toujours nuisible à la technologie, en fait, il peut avoir plusieurs applications utiles s’il peut être détecté et identifié.
Le chaos et ses dynamiques chaotiques sont omniprésents dans la nature et dans les dispositifs et technologies fabriqués. 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 EPJ B écrit par Dagobert Wenkack Liedji et Jimmi Hervé Talla Mbé de l’unité de recherche sur la matière condensée, l’électronique et le 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 réservoir à retard à nœud unique non linéaire pour identifier la dynamique chaotique.
Dans cet 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 temporelle sur les performances de la méthode, ils ont constaté que la précision était plus élevée lorsque l’ordinateur réservoir à nœud unique non linéaire basé sur le délai était utilisé avec des séries temporelles courtes.
Plusieurs quantificateurs ont été développés pour distinguer la dynamique chaotique dans le passé, notamment 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 posés par le LLE, tels que les dépenses, la nécessité d’une modélisation mathématique du système et les longs délais de traitement, en étudiant plusieurs modèles d’apprentissage profond, qui ont obtenu de mauvais taux de classification. L’exception à cette règle a été un réseau neuronal convolutif à grand noyau (LKCNN) qui a pu classer les séries chronologiques chaotiques et non chaotiques avec une grande précision.
Ainsi, en utilisant le système informatique de réservoir basé sur le délai de 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.
Ils ont énuméré les avantages du système qu’ils ont utilisé comme ne nécessitant pas nécessairement la connaissance de l’ensemble des équations, décrivant au contraire la dynamique d’un système mais seulement les données du système, et le fait que la mise en œuvre neuromorphique utilisant un ordinateur à réservoir analogique permet la détection en temps réel des comportements dynamiques d’un oscillateur donné.
L’équipe conclut que les recherches futures seront consacrées aux ordinateurs à réservoir profond afin d’explorer leurs performances dans les classifications de dynamiques plus complexes.
Référence : “Chaos recognition using a single nonlinear node delay-based reservoir computer” par Dagobert Wenkack Liedji, Jimmi Hervé Talla Mbé et Godpromesse Kenné, 27 janvier 2022, The European Physical Journal B.
DOI: 10.1140/epjb/s10051-022-00280-6
