Buchumschlag

Deconstructing Recurrence, Attention, and Gating: Investigating the transferability of Transformers and Gated Recurrent Neural Networks in forecasting of dynamical systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Heidenreich, Hunter S., Vlachas, Pantelis R., Koumoutsakos, Petros
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Chaotic Dynamics Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Beyond Static Models: Hypernetworks for Adaptive and Generalizable Forecasting in Complex Parametric Dynamical Systems
von: Vlachas, Pantelis R., et al.
Veröffentlicht: (2025)

Zero-shot forecasting of chaotic systems
von: Zhang, Yuanzhao, et al.
Veröffentlicht: (2024)

Transformers for dynamical systems learn transfer operators in-context
von: Bao, Anthony, et al.
Veröffentlicht: (2026)

State Estimation Using Sparse DEIM and Recurrent Neural Networks
von: Farazmand, Mohammad
Veröffentlicht: (2024)

Learning finite symmetry groups of dynamical systems via equivariance detection
von: Calvo-Barlés, Pablo, et al.
Veröffentlicht: (2025)

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

Optimal training of finitely-sampled quantum reservoir computers for forecasting of chaotic dynamics
von: Ahmed, Osama, et al.
Veröffentlicht: (2024)

Robust quantum reservoir computers for forecasting chaotic dynamics: generalized synchronization and stability
von: Ahmed, Osama, et al.
Veröffentlicht: (2025)

Optimal Recurrent Network Topologies for Dynamical Systems Reconstruction
von: Hemmer, Christoph Jürgen, et al.
Veröffentlicht: (2024)

Generative learning for nonlinear dynamics
von: Gilpin, William
Veröffentlicht: (2023)

Panda: A pretrained forecast model for chaotic dynamics
von: Lai, Jeffrey, et al.
Veröffentlicht: (2025)

Can Transformers predict system collapse in dynamical systems?
von: Zhai, Zheng-Meng, et al.
Veröffentlicht: (2026)

Learning more physically realistic dynamics in machine-learning based weather forecasting with latent-space constraints
von: Fan, Hang, et al.
Veröffentlicht: (2025)

Recurrences reveal shared causal drivers of complex time series
von: Gilpin, William
Veröffentlicht: (2023)

Mamba time series forecasting with uncertainty quantification
von: Pessoa, Pedro, et al.
Veröffentlicht: (2025)

Temporal horizons in forecasting: a performance-learnability trade-off
von: Aceituno, Pau Vilimelis, et al.
Veröffentlicht: (2025)

Time-Lagged Recurrence: a data-driven method to estimate the predictability of dynamical systems
von: Dong, Chenyu, et al.
Veröffentlicht: (2024)

Network Dynamics-Based Framework for Understanding Deep Neural Networks
von: Lin, Yuchen, et al.
Veröffentlicht: (2025)

Context parroting: A simple but tough-to-beat baseline for foundation models in scientific machine learning
von: Zhang, Yuanzhao, et al.
Veröffentlicht: (2025)

GEN2: A Generative Prediction-Correction Framework for Long-time Emulations of Spatially-Resolved Climate Extremes
von: Wang, Mengze, et al.
Veröffentlicht: (2025)

Tailored Forecasting from Short Time Series via Meta-learning
von: Norton, Declan A., et al.
Veröffentlicht: (2025)

Invariant Measures in Time-Delay Coordinates for Unique Dynamical System Identification
von: Botvinick-Greenhouse, Jonah, et al.
Veröffentlicht: (2024)

Sparse identification of quasipotentials via a combined data-driven method
von: Lin, Bo, et al.
Veröffentlicht: (2024)

Learning Beyond Experience: Generalizing to Unseen State Space with Reservoir Computing
von: Norton, Declan A., et al.
Veröffentlicht: (2025)

Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge
von: Schmidt, Oliver T., et al.
Veröffentlicht: (2026)

Deficiency of equation-finding approach to data-driven modeling of dynamical systems
von: Zhai, Zheng-Meng, et al.
Veröffentlicht: (2025)

Developing cholera outbreak forecasting through qualitative dynamics: Insights into Malawi case study
von: Ghosh, Adrita, et al.
Veröffentlicht: (2025)

Parameter Inference in Non-linear Dynamical Systems via Recurrence Plots and Convolutional Neural Networks
von: Lober, L., et al.
Veröffentlicht: (2024)

PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems
von: Farkane, Ayoub, et al.
Veröffentlicht: (2025)

On the weight dynamics of learning networks
von: Sharafi, Nahal, et al.
Veröffentlicht: (2024)

Shell Models on Recurrent Sequences: Fibonacci, Padovan and Other Series
von: Manfredini, Lorenzo, et al.
Veröffentlicht: (2024)

pynamicalsys: A Python toolkit for the analysis of dynamical systems
von: Sales, Matheus Rolim, et al.
Veröffentlicht: (2025)

Hierarchy of extreme-event predictability in turbulence revealed by machine learning
von: Yang, Yuxuan, et al.
Veröffentlicht: (2026)

Discovering the dynamics of \emph{Sargassum} rafts' centers of mass
von: Beron-Vera, Francisco J., et al.
Veröffentlicht: (2025)

Enhancing the Inductive Biases of Graph Neural ODE for Modeling Dynamical Systems
von: Bishnoi, Suresh, et al.
Veröffentlicht: (2022)

Stability analysis of chaotic systems in latent spaces
von: Özalp, Elise, et al.
Veröffentlicht: (2024)

Accurate deep learning-based filtering for chaotic dynamics by identifying instabilities without an ensemble
von: Bocquet, Marc, et al.
Veröffentlicht: (2024)

Building symmetries into data-driven manifold dynamics models for complex flows: application to two-dimensional Kolmogorov flow
von: De Jesús, Carlos E. Pérez, et al.
Veröffentlicht: (2023)

Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence
von: Atif, Mohammad, et al.
Veröffentlicht: (2024)

Inferring stability properties of chaotic systems on autoencoders' latent spaces
von: Özalp, Elise, et al.
Veröffentlicht: (2024)