39 articoli
Questo articolo presenta un approccio basato sull'apprendimento profondo che combina la scoperta di coordinate e mappe di flusso per migliorare l'efficienza computazionale nella simulazione di sistemi multiscala complessi, ottenendo alta accuratezza predittiva a costi ridotti su modelli come Fitzhugh-Nagumo e Kuramoto-Sivashinsky.
Lo studio dimostra, attraverso simulazioni numeriche e conferme sperimentali, che due oscillatori di Lorenz caotici accoppiati possono esibire simultaneamente risonanza di coerenza e anti-coerenza deterministica al variare della forza di accoppiamento, prima della sincronizzazione completa.
Il paper sviluppa un quadro basato sulla deformazione per analizzare i sistemi di biliardo statici, dimostrando come il determinante jacobiano calcolato in coordinate angolari non canoniche riveli una struttura locale di espansione e contrazione dello spazio delle fasi che, pur bilanciandosi globalmente, offre una nuova prospettiva geometrica sulla dinamica conservativa e sulle orbite periodiche.
Questo studio dimostra che la struttura autosimilare dell'anello di fotoni di un buco nero di Kerr persiste nello spazio delle fasi, rivelando come la dinamica rimanga non caotica in geometria di Kerr ma diventi caotica e frattale quando lo spaziotempo viene deformato, con l'instabilità che emerge principalmente vicino alle orbite risonanti.
Uno studio numerico basato sulla dinamica caotica di intermittenza rivela che un modello di spin Z(3) finito su reticolo tridimensionale presenta un comportamento complesso caratterizzato da risonanze, stati ibridi e transizioni di fase di secondo e debole primo ordine all'interno di una zona di isteresi.
Il paper presenta una teoria del campo medio dinamica compatta per reti di oscillatori di fase accoppiati, che riduce la dinamica complessa del sistema a un'equazione stocastica per un singolo oscillatore e permette di derivare previsioni quantitative sulla sincronizzazione per modelli neuronali complessi partendo direttamente dai dati di risposta di fase.
Utilizzando simulazioni ad alta risoluzione, lo studio analizza la struttura e le statistiche della dissipazione turbolenta, rivelando che nei regimi subsonici essa è dominata da vortici su piccola scala con un ritardo temporale maggiore rispetto agli eventi di iniezione di energia, mentre nei regimi supersonici è correlata principalmente alla densità e distribuita su shock e vorticità attraverso diverse scale.
Questo studio rivela che l'equazione di Kuramoto-Sivashinsky con condizioni al contorno periodiche presenta una struttura stratificata nello spazio degli stati, dove l'energia iniziale e la simmetria traslazionale spaziale determinano la coesistenza di attrattori caotici e orbite periodiche.
Il paper introduce le equivalenze prototipo lisce (SPE), un framework basato su reti neurali invertibili che permette di caratterizzare il comportamento a lungo termine di sistemi dinamici non lineari partendo da osservazioni sparse e rumorose, identificando strutture invarianti e classificando regimi dinamici senza richiedere equazioni esplicithe.
Questo studio dimostra che impostare i tassi di apprendimento in una regione di caos transitorio, dove l'ottimizzazione bilancia esplorazione e sfruttamento, accelera il training delle reti neurali riducendo il tempo necessario per raggiungere un'accuratezza accettabile su diversi compiti e architetture.
Il documento identifica un nuovo meccanismo di "pseudo-coerenza" in cui sistemi stocastici lineari stabili e privi di oscillatori intrinseci sviluppano comportamenti collettivi simili alla sincronizzazione grazie all'amplificazione pseudospettrale non normale, generando transizioni pseudo-critiche e correnti probabilistiche irreversibili senza biforcazioni di Hopf.
Il paper propone due nuovi metodi di apprendimento simbolico, SyNF e SyTF, che generano equazioni algebriche interpretabili per prevedere serie temporali caotiche con accuratezza competitiva rispetto ai modelli deep learning, offrendo al contempo una trasparenza scientifica fondamentale per comprendere le dinamiche sottostanti.
Questo studio identifica per la prima volta stati coerenti esatti, come onde viaggianti e orbite periodiche relative, all'interno della dinamica caotica di un film cadente verticale, utilizzando un approccio basato sui dati per parametrizzare la varietà inerziale e costruire modelli a bassa dimensionalità.
Il documento presenta un quadro geometrico basato sull'accoppiamento negativo multi-scala covariante su varietà di Riemanniane dinamiche per prevenire il collasso dimensionale in sistemi dissipativi infinitodimensionali, dimostrando teoricamente la stabilità degli attrattori ad alta dimensione e validando sperimentalmente il meccanismo attraverso simulazioni numeriche ad alta risoluzione.
Il paper sostiene che la teoria del caos, sebbene matematicamente compresa da Henri Poincaré e dai suoi colleghi già alla fine del XIX secolo, fu esclusa dalla fisica per decenni a causa di un rigido empirismo positivista che la considerava inutile e priva di fondamento nell'esperienza.
Il documento dimostra che il caos deterministico può emergere in sistemi dinamici tridimensionali senza critticità spettrale, grazie a un meccanismo guidato dall'amplificazione transitoria non normale e dal reinserimento endogeno delle traiettorie.
Il paper presenta Panda, un modello pre-addestrato basato su meccanismi di attenzione che, pur essendo stato addestrato esclusivamente su dati sintetici di equazioni differenziali ordinarie, dimostra la capacità di prevedere con successo sistemi caotici complessi, inclusi quelli governati da equazioni differenziali alle derivate parziali e serie temporali reali, grazie a proprietà emergenti come il forecasting zero-shot e la scoperta di leggi di scaling neurale.
Utilizzando l'analisi fotogramma per fotogramma del video dell'esplosione di Beirut del 2020, il paper dimostra la coerenza tra i dati osservati e la teoria non lineare delle onde d'urto, confermando la formula di Landau-Whitham per lo spessore dello strato di sovrapressione.
Questo lavoro identifica nuovi modelli di attività in rete composti da cluster attivi e inattivi coesistenti che sorgono dinamicamente senza richiedere simmetrie strutturali, analizzandone la formazione tramite rottura di simmetria e la stabilità attraverso perturbazioni trasversali.
Il paper propone un framework di deep learning basato su dati che combina precursori interpretabili derivati da instabilità transitorie (calcolati efficientemente tramite modalità OTD in un sottospazio ridotto) e modelli Transformer per prevedere eventi estremi in sistemi dinamici caotici ad alta dimensionalità, superando i limiti degli approcci puramente statistici.