机构名称：
¥ 1.0
机器学习的核心元素是灵活的通用函数逼近器，可以对其进行训练并适应数据。现代机器学习的主要挑战之一是理解非线性和复杂性在这些通用函数逼近器中的作用。在本研究中，我们专注于非线性复杂系统，并展示它们在表示和学习不同函数方面的能力。复杂的非线性动力学和混沌自然会产生几乎无限多样的动态行为和功能。物理、生物和工程系统可以利用这种多样性来实现自适应、鲁棒的行为和操作。非线性动态系统可以被视为不同可能行为或功能的集合的体现，从中可以选择不同的行为或功能来响应不同的条件或问题。这个选择过程可以是手动的，即可以通过直接设置参数手动挑选正确的功能。或者，我们可以自动化这个过程，让系统本身学习如何去做。这创建了一种机器学习方法，其中非线性动力学表示并体现不同的可能功能，并且它通过训练学习如何从这个功能空间中选择正确的功能。我们报告了如何利用非线性动力学和混沌来设计和制造基于非线性动力学的可变形硅硬件，作为不同可能功能的物理体现。我们展示了这种灵活的可变形硬件如何通过学习和搜索算法（例如遗传算法）来学习以实现不同的所需功能。在这种方法中，我们将两种强大的自然和生物现象——达尔文进化论和非线性动力学与混沌结合起来，作为一种面向动力学的方法来设计具有应用的智能自适应系统。非线性动力学在硬件层面体现不同的功能，同时利用进化方法来找到实现正确功能的参数。
基于非线性动力学的机器学习
主要关键词
相关文件推荐
