[논문]Identification of chimera using machine learning

Ganaie, M. A.; Ghosh, Saptarshi; Mendola, Naveen; Tanveer, M.; Jalan, Sarika

doi:10.1063/1.5143285

[해외논문] Identification of chimera using machine learning 원문보기

Chaos, v.30 no.6, 2020년, pp.063128 -

Ganaie, M. A. (Discipline of Mathematics, Indian Institute of Technology Indore 1 , Khandwa Road, Simrol, 453552 Indore, India) , Ghosh, Saptarshi (Complex Systems Lab, Discipline of Physics, Indian Institute of Technology Indore 2 , Khandwa Road, Simrol, 453552 Indore, India) , Mendola, Naveen (Complex Systems Lab, Discipline of Physics, Indian Institute of Technology Indore 2 , Khandwa Road, Simrol, 453552 Indore, India) , Tanveer, M. (Discipline of Mathematics, Indian Institute of Technology Indore 1 , Khandwa Road, Simrol, 453552 Indore, India) , Jalan, Sarika (Complex Systems Lab, Discipline of Physics, Indian Institute of Technology Indore 2 , Khandwa Road, Simrol, 453552 Indore, India)

Abstract ▼ AI-Helper

Chimera state refers to the coexistence of coherent and non-coherent phases in identically coupled dynamical units found in various complex dynamical systems. Identification of chimera, on one hand, is essential due to its applicability in various areas including neuroscience and, on the other hand, is challenging due to its widely varied appearance in different systems and the peculiar nature of its profile. Therefore, a simple yet universal method for its identification remains an open problem. Here, we present a very distinctive approach using machine learning techniques to characterize different dynamical phases and identify the chimera state from given spatial profiles generated using various different models. The experimental results show that the performance of the classification algorithms varies for different dynamical models. The machine learning algorithms, namely, random forest, oblique random forest based on Tikhonov, axis-parallel split, and null space regularization achieved more than 96% accuracy for the Kuramoto model. For the logistic maps, random forest and Tikhonov regularization based oblique random forest showed more than 90% accuracy, and for the Hénon map model, random forest, null space, and axis-parallel split regularization based oblique random forest achieved more than 80% accuracy. The oblique random forest with null space regularization achieved consistent performance (more than 83% accuracy) across different dynamical models while the auto-encoder based random vector functional link neural network showed relatively lower performance. This work provides a direction for employing machine learning techniques to identify dynamical patterns arising in coupled non-linear units on large-scale and for characterizing complex spatiotemporal patterns in real-world systems for various applications.

참고문헌 (85)

Nonlinear Phenom. Complex Syst. 5 4 380 2002
Phys. Rev. Lett. 93 17 174102 2004 10.1103/PhysRevLett.93.174102

상세보기
Chaos 26 9 094801 2016 10.1063/1.4953662

상세보기
Sci. Adv. 5 4 8535 2019 10.1126/sciadv.aau8535

상세보기
Chaos 28 045112 2018 10.1063/1.5009812

상세보기
Int. J. Bifurcat. Chaos 26 07 1650120 2016 10.1142/S0218127416501200

상세보기
Phys. Rev. Lett. 106 23 234102 2011 10.1103/PhysRevLett.106.234102

상세보기
Phys. Rev. E 93 1 012205 2016 10.1103/PhysRevE.93.012205

상세보기
Phys. Rev. E 88 3 032902 2013 10.1103/PhysRevE.88.032902

상세보기
Int. J. Bifurcat. Chaos 26 09 1630023 2016 10.1142/S0218127416300238

상세보기
Reg. Chaotic Dyn. 23 7-8 948 2018 10.1134/S1560354718070092

상세보기
Europhys. Lett. 112 4 40002 2015 10.1209/0295-5075/112/40002

상세보기
Phys. Lett. A 381 29 2337 2017 10.1016/j.physleta.2017.05.032

상세보기
Phys. Rev. B 91 5 054303 2015 10.1103/PhysRevB.91.054303

상세보기
Proc. Natl. Acad. Sci. U.S.A. 110 26 10563 2013 10.1073/pnas.1302880110

상세보기
Phys. Rev. Lett. 110 24 244102 2013 10.1103/PhysRevLett.110.244102

상세보기
Nonlinearity 28 3 67 2015 10.1088/0951-7715/28/3/R67

상세보기
Eur. Phys. J. Spec. Top. 225 6-7 891 2016 10.1140/epjst/e2016-02646-3

상세보기
Phys. Rev. E 90 3 032920 2014 10.1103/PhysRevE.90.032920

상세보기
Phys. Rev. Lett. 112 15 154101 2014 10.1103/PhysRevLett.112.154101

상세보기
Phys. Rev. Lett. 101 8 084103 2008 10.1103/PhysRevLett.101.084103

상세보기
Phys. Rev. E 90 2 022919 2014 10.1103/PhysRevE.90.022919

상세보기
Chaos 25 6 064401 2015 10.1063/1.4921727

상세보기
Physica D 238 16 1569 2009 10.1016/j.physd.2009.04.012

상세보기
Phys. Rev. E 95 032224 2017 10.1103/PhysRevE.95.032224

상세보기
Chaos 30 013115 2020 10.1063/1.5122307

상세보기
New J. Phys. 17 7 073037 2015 10.1088/1367-2630/17/7/073037

상세보기
Phys. Rev. E 97 052213 2018 10.1103/PhysRevE.97.052213

상세보기
Phys. Rev. E 92 5 050904 2015 10.1103/PhysRevE.92.050904

상세보기
Phys. Rev. Lett. 112 14 144101 2014 10.1103/PhysRevLett.112.144101

상세보기
Sci. Rep. 6 23000 2016 10.1038/srep23000

상세보기
Chaos 26 9 094815 2016 10.1063/1.4959804

상세보기
Phys. Rev. E 89 5 052914 2014 10.1103/PhysRevE.89.052914

상세보기
Chaos 21 1 013112 2011 10.1063/1.3563579

상세보기
Phys. Rev. Lett. 110 22 224101 2013 10.1103/PhysRevLett.110.224101

상세보기
Sci. Rep. 6 19845 2016 10.1038/srep19845

상세보기
Machine Learning 1st ed. 2017
The Hundred-Page Machine Learning Book 1st ed. 2019
Chaos 28 061104 2018 10.1063/1.5039508

상세보기
Chaos 27 121102 2017 10.1063/1.5010300

상세보기
Chaos 28 041101 2018 10.1063/1.5028373

상세보기
F. A. Rodrigues et al., arXiv:1910.00544 (2019).
Front. Phys. 7 24 2019 10.3389/fphy.2019.00024

상세보기
Philos. Trans. R. Soc. A 377 2153 20180123 2019 10.1098/rsta.2018.0123

상세보기
Phys. Lett. A 384 15 126300 2020 10.1016/j.physleta.2020.126300

상세보기
J. Mach. Learn. Res. 15 90 3133 2014
Mach. Learn. 45 1 5 2001 10.1023/A:1010933404324
IEEE Trans. Cybern. 45 10 2165 2014 10.1109/TCYB.2014.2366468

상세보기
Expert Syst. Appl. 143 113072 2020 10.1016/j.eswa.2019.113072

상세보기
Neural Netw. 112 85 2019 10.1016/j.neunet.2019.01.007

상세보기
J. Am. Stat. Assoc. 82 397 76 1987 10.1080/01621459.1987.10478393

상세보기
SIAM J. Control Optim. 17 6 745 1979 10.1137/0317052

상세보기
Adv. Comput. Math. 13 1 1 2000 10.1023/A:1018946025316
Pattern Recognit. 33 10 1713 2000 10.1016/S0031-3203(99)00139-9

상세보기
Neurocomputing 6 2 163 1994 10.1016/0925-2312(94)90053-1

상세보기
SIAM J. Imaging. Sci. 2 1 183 2009 10.1137/080716542

상세보기
Europhys. Lett. 127 30002 2019 10.1209/0295-5075/127/30002

상세보기
Physica D 143 1-4 1 2000 10.1016/S0167-2789(00)00094-4

상세보기
Phys. Rep. 610 1 1 2016 10.1016/j.physrep.2015.10.008

상세보기
Chaos 27 101104 2017 10.1063/1.5005576

상세보기
Int. J. Bifurcat. Chaos 16 1 21 2006 10.1142/S0218127406014551

상세보기
Chaos 27 101102 2017 10.1063/1.5003237

상세보기
Phys. Rev. Lett. 117 014102 2016 10.1103/PhysRevLett.117.014102

상세보기
Chaos Soliton. Fract. 128 290 2019 10.1016/j.chaos.2019.07.046

상세보기
Nature 261 5560 459 1976 10.1038/261459a0

상세보기
Chaos in Dynamical Systems 1993
Phys. Rev. E 94 062202 2016 10.1103/PhysRevE.94.062202

상세보기
Phys. Rev. Lett. 92 144101 2004 10.1103/PhysRevLett.92.144101

상세보기
Phys. Rev. E 51 3670 1995 10.1103/PhysRevE.51.3670

상세보기
Phys. Rev. Lett. 81 1401 1998 10.1103/PhysRevLett.81.1401

상세보기
Commun. Math. Phys. 50 1 69 1976 10.1007/BF01608556

상세보기
Neural Comput. 9 1341 1996 10.1162/neco.1996.8.7.1341

상세보기
10.6084/m9.figshare.11927319
Appl. Comput. Inf. 10.1016/j.aci.2018.08.003 Classification assessment methods

상세보기
Eur. Phys. J. ST 225 1149 2016 10.1140/epjst/e2016-02661-4
Eur. Phys. J. B 91 305 2018 10.1140/epjb/e2018-90478-8

상세보기
Phys. Rev. E 97 042212 2018 10.1103/PhysRevE.97.042212

상세보기
PLoS One 7 7 e41799 2012 10.1371/journal.pone.0041799

상세보기
Europhys. Lett. 93 66001 2011 10.1209/0295-5075/93/66001

상세보기
Chaos 27 043103 2017 10.1063/1.4979798

상세보기
Nature 399 6734 354 1999 10.1038/20676

상세보기
Sci. Rep. 8 243 2018 10.1038/s41598-017-18657-4

상세보기
Phys. Rev. E 96 012316 2017 10.1103/PhysRevE.96.012316

상세보기
Complex Systems Lab

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

원문 보기

AccessON 원문보기

원문 URL 링크

DOI : 10.1063/1.5143285
EBSCOhost-Academic Search Premier : 저널
American Institute of Physics : 저널> 권호 > 논문
AccessON : 저널

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

오픈액세스(OA) 유형

GREEN

저자가 공개 리포지터리에 출판본, post-print, 또는 pre-print를 셀프 아카이빙 하여 자유로운 이용이 가능한 논문

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증