Buchumschlag

Exploring Nonlinear System with Machine Learning: Chua and Lorenz Circuits Analyzed

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Zhe, Fan, Haixia, Zhang, Jiyuan, Wang, Xiao-Yun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-based Machine Learning Discovered Nano-circuitry for Nonlinear Ion Transport in Nanoporous Electrodes
von: Zhan, Hualin, et al.
Veröffentlicht: (2020)

Quantum Computing and Atmospheric Dynamics: Exploring the Lorenz System
von: Armaos, V., et al.
Veröffentlicht: (2024)

Gravitational form factors of the proton from near-threshold vector meson photoproduction
von: Wang, Xiao-Yun, et al.
Veröffentlicht: (2023)

New Reservoir Computing Kernel Based on Chaotic Chua Circuit and Investigating Application to Post-Quantum Cryptography
von: Cossins, Matthew John, et al.
Veröffentlicht: (2024)

Using Machine Learning and Neural Networks to Analyze and Predict Chaos in Multi-Pendulum and Chaotic Systems
von: Ramachandruni, Vasista, et al.
Veröffentlicht: (2025)

Programmable Nonlinear Quantum Photonic Circuits
von: Nielsen, Kasper H., et al.
Veröffentlicht: (2024)

GPU-MetaD: Full-Life-Cycle GPU Accelerated Metadynamics with Machine Learning Potentials
von: Zhang, Haoting, et al.
Veröffentlicht: (2025)

A Modified Bisecting K-Means for Approximating Transfer Operators: Application to the Lorenz Equations
von: Souza, Andre N., et al.
Veröffentlicht: (2024)

Quantum Circuit-Based Learning Models: Bridging Quantum Computing and Machine Learning
von: Fan, Fan, et al.
Veröffentlicht: (2026)

Real-Time State Modulation and Acquisition Circuit in Neuromorphic Memristive Systems
von: Wang, Shengbo, et al.
Veröffentlicht: (2024)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

On the Computational Entanglement of Distant Features in Adversarial Machine Learning
von: Lai, YenLung, et al.
Veröffentlicht: (2023)

Machine Learning for Ground State Preparation via Measurement and Feedback
von: Wang, Chuanxin, et al.
Veröffentlicht: (2025)

Self-Consistent Numerical Framework for Multiscale Circuit-Plasma Coupling with Secondary Electron Emission
von: Kim, Hongbin, et al.
Veröffentlicht: (2026)

GPUTB: Efficient Machine Learning Tight-Binding Method for Large-Scale Electronic Properties Calculations
von: Wang, Yunlong, et al.
Veröffentlicht: (2025)

Machine-Learning Insights into the Entanglement-trainability Correlation of Parameterized Quantum Circuits
von: Zhang, Shikun, et al.
Veröffentlicht: (2024)

Efficient Online Quantum Circuit Learning with No Upfront Training
von: O'Leary, Tom, et al.
Veröffentlicht: (2025)

High-Order Associative Learning Based on Memristive Circuits for Efficient Learning
von: Wang, Shengbo, et al.
Veröffentlicht: (2024)

Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics
von: Jekel, C. F., et al.
Veröffentlicht: (2024)

A Novel Chua Circuit With Hyperbolic Tangent Nonlinearity for Brain‐Inspired Dynamics and Stable Delta Rhythm Generation
von: Faiza Zaamoune, et al.
Veröffentlicht: (2026)

SCULPT: An Interactive Machine Learning Platform for Analyzing Multi-Particle Coincidence Data from Cold Target Recoil Ion Momentum Spectroscopy
von: Daoud, Hazem, et al.
Veröffentlicht: (2025)

QuantumDNA: A Python Package for Analyzing Quantum Charge Dynamics in DNA and Exploring Its Biological Relevance
von: Herb, Dennis, et al.
Veröffentlicht: (2025)

Advancing Machine Learning Applications in Quantum Few-Body Systems
von: Ziqi, Jin, et al.
Veröffentlicht: (2026)

Exploring the Role of Explicit Temporal Modeling in Multimodal Large Language Models for Video Understanding
von: Li, Yun, et al.
Veröffentlicht: (2025)

History-Dependent Dynamical Invariants in the Lorenz System
von: Toledo, B. A.
Veröffentlicht: (2025)

A Particle-in-cell Method for Plasmas with a Generalized Momentum Formulation, Part II: Enforcing the Lorenz Gauge Condition
von: Christlieb, Andrew J., et al.
Veröffentlicht: (2024)

Deep-Learning-Empowered Programmable Topolectrical Circuits
von: Jia, Hao, et al.
Veröffentlicht: (2025)

Exploring the Role of Artificial Intelligence and Machine Learning in Process Optimization for Chemical Industry
von: Lin, Zishuo, et al.
Veröffentlicht: (2025)

Measurement-Efficient Variational Quantum Linear Solver for Carleman-Linearized Nonlinear Dynamics
von: Liu, Yunya, et al.
Veröffentlicht: (2026)

Evolution of Chaos in the Matsumoto-Chua Circuit: a Symbolic Dynamics Approach
von: Dariel M. Maranhào
Veröffentlicht: (2005)

Adaptive Sensing of Continuous Physical Systems for Machine Learning
von: Köster, Felix, et al.
Veröffentlicht: (2026)

Universal Machine Learning Potential for Systems with Reduced Dimensionality
von: Benedini, Giulio, et al.
Veröffentlicht: (2025)

Machine Learning Wavefunction
von: Battaglia, Stefano
Veröffentlicht: (2022)

A Descriptor Is All You Need: Accurate Machine Learning of Nonadiabatic Coupling Vectors
von: Martinka, Jakub, et al.
Veröffentlicht: (2025)

All-Optical Deep Learning with Quantum Nonlinearity
von: Zhou, Qingyi, et al.
Veröffentlicht: (2026)

Genetic Transformer-Assisted Quantum Neural Networks for Optimal Circuit Design
von: Wang, Haiyan
Veröffentlicht: (2025)

A Lorenz Model for an Anelastic Oberbeck-Boussinesq System
von: Grandi, Diego, et al.
Veröffentlicht: (2024)

CDFCI: High-Performance Parallel Software for Many-Body Large-Scale Eigenvalue Problems
von: Zhang, Yuejia, et al.
Veröffentlicht: (2026)

FireBench: A High-fidelity Ensemble Simulation Framework for Exploring Wildfire Behavior and Data-driven Modeling
von: Wang, Qing, et al.
Veröffentlicht: (2024)

Accelerated Machine Learning Force Field for Predicting Thermal Conductivity of Organic Liquids
von: Feng, Wei, et al.
Veröffentlicht: (2025)