从时空混沌微腔激光器的非局部部分信息中预测极端事件
Extreme events prediction from nonlocal partial information in a spatiotemporally chaotic microcavity laser
AI总结：
本文利用储备池计算和最大传递熵区域选择，从时空混沌微腔激光器的非局部部分信息中预测极端事件，证明非局部数据比局部数据具有更高预测精度和至少两倍的预警时间。
摘要：
随着无模型机器学习技术的出现，高维、时空非线性系统的预测取得了巨大进展。然而，在真实系统中，并不总是能够获得所需的全部信息；只有部分信息可用于学习和预测。这可能是由于时间或空间采样不足、变量不可获取或训练数据存在噪声。在此，我们证明，使用储备池计算，仍然可以在时空混沌微腔激光器的不完整实验记录中预测极端事件的发生。通过选择最大传递熵区域，我们证明使用非局部数据相比局部数据可以获得更高的预测精度，从而允许更长的预警时间，至少是非线性局部李雅普诺夫指数所预测时间范围的两倍。
英文摘要：
The forecasting of high-dimensional, spatiotemporal nonlinear systems has made tremendous progress with the advent of model-free machine learning techniques. However, in real systems it is not always possible to have all the information needed; only partial information is available for learning and forecasting. This can be due to insufficient temporal or spatial samplings, to inaccessible variables or to noisy training data. Here, we show that it is nevertheless possible to forecast extreme events occurrence in incomplete experimental recordings from a spatiotemporally chaotic microcavity laser using reservoir computing. Selecting regions of maximum transfer entropy, we show that it is possible to get higher forecasting accuracy using nonlocal data vs local data thus allowing greater warning times, at least twice the time horizon predicted from the nonlinear local Lyapunov exponent.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
