KI macht nutzlosen Lärm, der bei der Synchronisierung physikalischer Oszillatoren weithin nützlich ist

In einem Brief veröffentlicht In Körperliche Überprüfung EWissenschaftler des Forschungsinstituts für intelligente komplexe Systeme (IICS) an der Universität Fudan zeigen, dass KI nutzloses Rauschen bei der Oszillatorsynchronisierung weithin nützlich macht. Diese Erkenntnisse haben Auswirkungen auf die Entwicklung energiesparender Regler und das Verständnis der Vorteile von Rauschen in verschiedenen Systemen.

Es wurde beobachtet, dass Rauschen die Entstehung interessanter dynamischer Verhaltensweisen in nichtlinearen physikalischen Systemen fördert. Allerdings bleibt die Entwicklung geeigneter Rauschformen für ein bestimmtes System ohne eine universelle Methode eine Herausforderung.

Während durch Lärm verursachte Synchronizität in der Physik und Mathematik ausführlich untersucht wurde, konzentrierte sich die bisherige Forschung in den meisten Fällen eher auf die Auswirkung von vorhandenem Lärm als auf die Entwicklung von praktischem Lärm.

Die IICS-Forscher untersuchten, wie die Theorie der stochastischen Stabilisierung die Entwicklung von vorteilhaftem Rauschen zur Erzeugung von Synchronität leiten kann. Diese Theorie beinhaltet typischerweise komplexe Hilfsfunktionen, die manuell nur schwer zu konstruieren sind.

Indem sie theoretische Analysen für maschinelle Lerntechniken nutzten, formulierten die Forscher das Synchronisierungsproblem neu. Sie suchten nach optimalen Parametern für eine Kandidatenfunktion, die durch künstliche neuronale Netzwerke parametrisiert wurde, und schufen so effektiv einen auf maschinellem Lernen basierenden Rauschregler.

„Wir haben entdeckt, dass durch maschinelles Lernen erzeugtes Rauschen ein implizites Phänomen der Energieregulierung aufweist, das eine energiesparende Synchronisierung bewirkt“, berichtet Jingdong Zhang, der Erstautor der Studie.

In ihrer Arbeit zeigen die Wissenschaftler, dass die Verlustfunktion im vorgeschlagenen KI-Rahmen, der auf stochastischer Stabilisierung basiert, implizit einen Regularisierungsterm enthält, der mit den Energiekosten während des kontrollierten Prozesses zusammenhängt. Diese Erkenntnis könnte zu effizienteren Reglern in realen Szenarien wie der Stromnetzsteuerung beitragen.

Professor Wei Lin, der Direktor des IICS, betont, dass dieses KI-Framework die durch Rauschen verursachte Synchronisierung nicht nur in der Nähe der Synchronisierungsmannigfaltigkeit, sondern auch weit davon entfernt validiert und damit herkömmliche Steuerungsprotokolle und Kopplungsmethoden übertrifft.