[논문 리뷰] Correlations between the Hurst exponent and the maximal Lyapunov exponent for some low-dimensional discrete conservative dynamical systems

Mariusz Tarnopolski|arXiv (Cornell University)|2015. 01. 15.

Chaos control and synchronization인용 수 3

한 줄 요약

이 연구는 저차원 보존적 맵에서 허스트 지수(Hurst exponent, HE)와 최대 리아프노프 지수(maximal Lyapunov exponent, mLE) 사이에 강한 상관관계를 드러내며, mLE가 이웃 근접 기반 기계학습 알고리즘을 통해 HE 분포를 효과적으로 예측할 수 있음을 보여주어 혼돈 시간계의 추세를 정확하게 재구성할 수 있음을 시사한다. (Chirikov 맵에 대해 피어슨 상관계수 ρ = 0.83, Froeschl’e 맵에 대해 ρ = 0.75)

ABSTRACT

The Chirikov standard map and the 2D Froeschl\'e map are investigated. A few thousand values of the Hurst exponent (HE) and the maximal Lyapunov exponent (mLE) are plotted in a mixed space of the nonlinear parameter versus the initial condition. Both characteristic exponents reveal remarkably similar structures in this mixed space. Moreover, a tight correlation between the HEs and mLEs for the two maps was found: $ ho=0.83$ and $ ho=0.75$ for the Chirikov and Froeschl\'e maps, respectively, where $ ho$ is the Spearman rank. Based on this relation, a machine learning (ML) procedure, using the nearest neighbour algorithm, was performed to reproduce the HE distributions based on the mLE distributions. A few thousand HE and mLE values from the mixed spaces were used for training, and then using $2-2.4 imes 10^5$ mLEs, the HEs were retrieved. The ML procedure allowed to reproduce the structure of the mixed spaces in great detail. The HE is proposed as an informative parameter in the area of chaotic control, as it provides expectations about the general trend in a time series.

연구 동기 및 목표

• 저차원 보존적 동역학계에서 허스트 지수(HE)와 최대 리아프노프 지수(mLE) 간의 관계를 조사하는 것.
• 혼돈 시간계 분석에서 mLE가 HE의 예측 가능 대체 지표로 사용될 수 있는지 평가하는 것.
• HE 분포를 mLE 데이터로부터 재구성할 수 있는 기계학습 프레임워크를 개발하고 검증하는 것.
• 혼돈 제어 및 동역학계에서 장기적 추세 예측에 있어 HE가 얼마나 유용한 지표인지 평가하는 것.

제안 방법

• Chirikov 표준 맵 및 2D Froeschl’e 맵에서 비선형 매개변수의 변화에 따라 수천 개의 초기 조건에 대해 HE와 mLE를 계산함.
• 비선형 매개변수와 초기 조건을 조합한 혼합 매개변수 공간에서 HE와 mLE를 시각화함.
• HE와 mLE 간의 관계를 정량화하기 위해 스피어만 순위 상관계수(ρ)를 계산함.
• ~3,000개 데이터 포인트에서 얻은 HE와 mLE 쌍을 기반으로 이웃 근접 기계학습 알고리즘을 적용하여 학습함.
• 학습된 모델을 사용해 약 200,000개의 mLE 값으로부터 HE 값을 예측하고 전체 HE 분포를 재구성함.
• 예측된 HE 구조와 원래의 HE 분포를 비교하여 재구성의 정확성을 검증함.

실험 결과

연구 질문

• RQ1 저차원 보존적 맵에서 허스트 지수와 최대 리아프노프 지수 사이에 유의미한 상관관계가 존재하는가?
• RQ2 혼돈 시간계에서 최대 리아프노프 지수를 사용해 허스트 지수를 예측할 수 있는가?
• RQ3 기계학습을 통해 mLE 데이터만으로 HE 분포를 어느 정도 정확하게 재구성할 수 있는가?
• RQ4 허스트 지수는 혼돈 동역학계에서 장기적 추세를 이해하는 데 얼마나 유용한가?

주요 결과

• Chirikov 표준 맵에서 허스트 지수와 최대 리아프노프 지수 사이에 강한 스피어만 순위 상관계수(ρ = 0.83)를 발견함.
• 2D Froeschl’e 맵에서 HE와 mLE 간에 높지만 약간 낮은 상관계수(ρ = 0.75)를 관찰함.
• 이웃 근접 기계학습 알고리즘이 mLE 데이터로부터 높은 정밀도로 HE 분포를 성공적으로 재현함.
• 모델는 약 3,000개의 학습 포인트를 사용하여 200,000개 이상의 mLE 데이터 포인트에 대한 HE 값을 예측함.
• 재구성된 HE 구조는 원래의 분포와 매우 유사하여 mLE의 예측 능력이 확인됨.
• 허스트 지수는 시간계의 일반적 추세를 나타내는 능력 덕분에 혼돈 제어에 있어 유용한 지표로 제안됨.