解读复杂性：机器学习对混沌动力系统的洞察
Deciphering Complexity: Machine Learning Insights into Chaotic Dynamical Systems
AI总结：
本文提出机器学习方法，仅凭两个轨迹点计算 Lyapunov 指数，并识别近可积轨迹与混沌轨迹中的可积区域，且在两个动力系统上完成测试。
摘要：
我们提出了用于分析混沌动力系统的新型机器学习技术。本研究的主要目标包括：开发一种新颖且简单的方法，仅使用两个轨迹数据点来计算 Lyapunov 指数，而不同于需要平均过程的传统方法；探索从规则周期动力学到混沌动力学的相变图，以识别守恒量偏离整数的“近可积”轨迹；以及识别混沌轨迹中的“可积区域”。这些方法在两个动力系统上得到应用和测试：“两个物体在杆上运动”和“Henon-Heiles”系统。
英文摘要：
We introduce new machine-learning techniques for analyzing chaotic dynamical systems. The primary objectives of the study include the development of a new and simple method for calculating the Lyapunov exponent using only two trajectory data points unlike traditional methods that require an averaging procedure, the exploration of phase transition graphs from regular periodic to chaotic dynamics to identify "almost integrable" trajectories where conserved quantities deviate from whole numbers, and the identification of "integrable regions" within chaotic trajectories. These methods are applied and tested on two dynamical systems: "Two objects moving on a rod" and the "Henon-Heiles" systems.
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。
