.Engineers use machine learning to measure chaos in systems

mss(magic square system)master:jk0620
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
https://www.facebook.com/junggoo.lee.9

https://www.youtube.com/@SciTechDaily

.Engineers use machine learning to measure chaos in systems

엔지니어는 머신 러닝을 사용하여 시스템의 혼란을 측정합니다

혼돈 측정: 기계 러닝을 사용하여 제거해야 합니다.

Melissa Pappas, 펜실베이니아 대학교 출처: Physical Review Letters (2024). DOI: 10.1103/PhysRevLett.132.197201. July 30, 2024

혼돈을 어떻게 측정하고 왜 측정해야 할까요? Penn 엔지니어인 Dani S. Bassett, 생체공학 및 전기 및 시스템 공학의 J. Peter Skirkanich 교수, 박사후 연구원 Kieran Murphy는 기계 학습의 힘을 활용하여 혼돈 시스템을 더 잘 이해하고 이론적 모델링과 실제 시나리오에서 새로운 정보 분석의 문을 엽니다. 인간은 수천 년 동안 날씨 패턴, 행성의 움직임, 인구 생태와 같은 혼란스러운 시스템을 이해하고 예측하려고 노력해 왔습니다.

우리의 모델은 시간이 지남에 따라 계속 개선되었지만 완벽한 예측에는 항상 장벽이 남을 것입니다. 그 이유는 이러한 시스템이 본질적으로 혼란스럽기 때문입니다. 푸른 하늘과 햇살이 순식간에 뇌우와 폭우로 변할 수 있다는 의미가 아니라(실제로 그런 일이 발생하지만) 수학적으로 날씨 패턴과 다른 혼란스러운 시스템은 비선형적 특성을 가진 물리학에 의해 지배된다는 의미입니다. 머피는 "이 비선형성은 혼돈 시스템의 기본입니다."라고 말합니다.

"미래의 시점에서 무슨 일이 일어날지 예측하기 위해 시작한 정보가 시간이 지남에 따라 일관되게 유지되는 선형 시스템과 달리, 비선형 시스템의 정보는 시간이 지남에 따라 손실되고 생성될 수 있습니다." 원래 출처의 정보가 사람에서 사람으로 이동하면서 사라지고 새로운 단어와 구문이 빈칸을 채우기 위해 추가되는 전화 게임처럼, 혼란스러운 시스템에서의 결과는 시간이 지남에 따라 예측하기 더 어려워집니다.

이러한 정보 지연은 며칠 이상 앞선 날씨를 정확하게 예측하려는 최선의 노력을 좌절시킵니다. 머피는 "대기 중에 수백만 개의 탐사선을 보내 풍속 , 기온, 강수량을 측정할 수 있지만, 시스템의 모든 원자를 측정할 수는 없습니다."라고 말했습니다. "어느 정도 불확실성이 있어야 하며, 그러면 불확실성은 커지고 빠르게 커집니다. 따라서 몇 시간 후의 날씨를 예측하는 것은 상당히 정확할 수 있지만, 시간이 지남에 따라 불확실성이 커지면 한 달 후의 날씨를 예측하는 것이 불가능해집니다."

머피와 베셋은 최근 Physical Review Letters 에 발표한 논문 에서 기계 학습을 고전적 혼돈 모델, 즉 외부 노이즈나 모델링 불완전성이 없는 혼돈적 시스템을 물리학자들이 재현한 데 적용하여 혼돈적 시스템에 대한 거의 완벽한 측정을 설계했으며, 이를 통해 언젠가는 날씨 패턴을 포함한 시스템에 대한 우리의 이해를 개선할 수 있을 것이라고 밝혔 습니다. 머피는 "이러한 통제된 시스템은 우리 실험을 위한 시험대입니다."라고 말했습니다.

"이를 통해 우리는 이론적 예측과 비교하고 실제 시스템으로 이동하기 전에 방법을 신중하게 평가할 수 있습니다. 실제 시스템에서는 상황이 어수선하고 알려진 바가 훨씬 적습니다. 궁극적으로 우리의 목표는 실제 시스템의 '정보 맵'을 만들어 정보가 생성되는 위치를 표시하고 겉보기에 무작위적인 데이터의 바다에서 어떤 정보 조각이 중요한지 식별하는 것입니다." 이전 연구에서는 공간과 시간에서 움직이는 점의 지수적 발산 또는 수렴을 설명하는 랴푸노프 지수와 같이 혼돈 시스템에서 정보 생성을 설명하기 위해 다른 종류의 측정을 사용했습니다. 그러나 이 접근 방식은 특정 시스템의 지배 방정식에 대한 지식이나 엄청난 양의 데이터가 필요합니다. 머신 러닝을 활용함으로써 새로운 접근 방식은 훨씬 적은 데이터로 혼돈 시스템에서 정보 생성을 설명할 수 있습니다.

머신 러닝은 전통적으로 대규모 데이터 세트 에서 패턴을 식별한 다음 시간, 위치 또는 문제의 다른 변수에 따라 데이터가 어떻게 동작할지 예측하는 데 사용되었습니다 . 머피의 혼돈 연구에서 그는 머신 러닝을 사용하여 예측을 하는 것이 아니라 머신 러닝을 사용하여 전체 혼돈 시스템을 캡슐화하고 하나의 측정으로 축소합니다. "저희의 측정은 딥 러닝, 즉 모든 시점에서 시스템의 모든 상태에서 정보를 추출하는 알고리즘에 의해 알려졌습니다."라고 그는 말합니다. "저희는 이러한 복잡한 시스템을 취하고 인간의 직관으로는 너무 복잡해서 분석하고 이해할 수 없는 사례에서 그 역학의 본질을 추출할 수 있습니다."

가능한 한 중요한 정보를 많이 보존하고 중요하지 않은 정보를 많이 삭제함으로써 측정 결과는 혼란스러운 시스템 을 완벽하게 측정하는 데 한 걸음 더 가까워지고 , 날씨 예보를 위한 더 나은 측정 방법을 설계하고 예측에 대한 근본적인 장벽을 이해하는 데 한 걸음 더 가까워집니다. 머피는 자신의 작업에서 기계 학습을 사용하여 다변량 정보 이론을 수행하는데, 이는 그가 여러 정보 출처가 있는 시스템을 이해하려고 한다는 것을 의미합니다(이는 거의 모든 시스템에 해당합니다).

그는 일반적으로 환자가 의사의 진료실에 와서 건강을 확인하기 위해 여러 가지 검사를 받는 시나리오와 같이 한 시점에서 이러한 시스템을 조사했습니다. 하지만 이제, 혼돈에 대한 이 작업을 통해 머피는 시간이 이 다변량 관점에서 또 다른 변수가 되는 시간에 따른 시스템을 이해하는 방법을 개발하고 있습니다. "저희가 연구하는 각 시스템을 통해 머신 러닝 의 고유한 강점을 통해 가능해진, 데이터에서 정보를 매핑하기 위한 강력한 프레임워크를 구축하고 있습니다. "라고 그는 말합니다. "저는 데이터에서 끌어낼 수 있는 통찰력의 깊이에 계속 놀랐고, 이 카오스 프로젝트가 복잡한 시스템 의 역학을 연구하는 데 열어준 새로운 방향에 대해 기대가 큽니다 ." 머피와 베셋의 혼돈에 대한 연구는 인체의 동적 시스템에 대한 연구로 이어졌습니다.

-"복잡한 동적 시스템에서 정보 생성을 이해하는 능력은 이제 연구실의 핵심 질문 중 하나인 '뇌는 어떻게 정신을 가능하게 하는가?'에 대한 새로운 접근 방식을 촉진하고 있습니다."라고 Bassett은 말합니다. "인간의 뇌에서 정보 생성을 해독하는 것은 정신 건강과 웰빙에 상당한 약속을 담고 있습니다." 완전한 확실성은 불가능하지만, 인간은 그것을 추구하려는 타고난 욕구가 있습니다. 이러한 역동적인 시스템을 예측하고 이해하는 능력을 향상시키는 것은 우리가 그 확실성에 더 가까이 다가가는 데 도움이 될 뿐만 아니라, 추구와 우리가 그것에 통합하는 새로운 도구는 날씨 예보에서 의료 진단 및 전반적인 삶의 질 개선에 이르기까지 실제 문제에 대한 혁신적인 솔루션을 알려주는 패턴과 데이터에 대한 틀에서 벗어난 해석을 찾는 데 도움이 될 수 있습니다.

추가 정보: Kieran A. Murphy 등, 정보 병목을 통한 혼돈 동적 시스템의 기계 학습 최적화 측정, Physical Review Letters (2024). DOI: 10.1103/PhysRevLett.132.197201 저널 정보: Physical Review Letters 펜실베이니아 대학 에서 제공

https://phys.org/news/2024-07-machine-chaos.html

메모 2407310623

나는 포괄적으로 정점인 msbase.n2 에서 두개의 방향에서
혼돈을 측정할 수 있다.

그러면 혼돈을 측정하고 왜 측정해야 할까?
연구진은 기계 학습의 힘을 활용하여 혼돈 시스템을 더 잘 이해하고 이론적 모델링과 실제 시나리오에서 새로운 정보 분석의 문을 연다.

그런데 나의 혼돈을 파악하는 방식은 두가지 경로에서 모든 카오스와 랜덤의 영역이 매우 정교하게 조합적인 좌표와 얽힘과 순간이동 susqer.rivery에 따르고 이를 나타낸 리간드에서 dna처럼 acgt.oser.grid.oss를 통한 흡수체 msoss 결합방식이 존재한다는 점이다. 허허.

msbase 적적산 산꼭대기가 n2(k2? 아니고) n^2 정상이여. 거대한 무한대의 면적의 임의 위치의 함의이여. 그 nk2?!!에서 두개의 하산코스가 있는데 하나는 즉방으로 출발점으로 가는 워프드라이브이다. 웜홀이지. 다른 하나는 nk2에서 nk2-base camp로 가는 코스이다.

이건 기존에 올라온 길이 아니고 다완성된 큐빅에서 임의로 재조립을 시도하는 무한 경우수 데이타 설정이다. 이것을 인공지능이 빅데이타 베이스에 두고 혼돈의 패던을 찾아내게 한다는 것이고 기존의 nk2적적산 정상에 이르는 빅데이타는 나의 msoss 해법에 따르면 되어, 인공지능 빅뱅엔디비아에게 이걸 가르쳐주면 된다. 그게 말이 쉽지 정식으로 배우려면 1000억광년을 왔다리갔다리 1000억조번 해야지..그런 수고도 없이 혼돈을 어캐 마스타하냐?

인간의 뇌에서 정보 생성을 해독하는 것은 정신 건강과 웰빙에 상당한 약속을 담고 있다. 완전한 확실성은 불가능하지만, 인간은 그것을 추구하려는 타고난 욕구가 있다.

인간의 뇌의 정신세계는 쇼펜하우어 철학으로 정의역() nk2로 향하는 질서와 조화.균형 감각적 의지와 msbase 표상으로서의 세계이다.

May be a graphic of 1 person, map, blueprint, floor plan and text

Source 1. Edit
Humans have been trying to understand and predict chaotic systems like weather patterns, planetary movements, and population ecology for thousands of years. Our models have continued to improve over time, but there will always be barriers to perfect prediction.

That’s because these systems are inherently chaotic. Not that blue skies and sunshine can turn into thunderstorms and torrential downpours in an instant (although that happens), but that mathematically weather patterns and other chaotic systems are governed by physics that have nonlinear properties.

“This nonlinearity is fundamental to chaotic systems,” says Murphy. “Unlike linear systems, where the information we start with to predict what will happen at some point in the future remains consistent over time, information in nonlinear systems can be lost and created over time.”

Like a game of telephone, where information from the original source is lost as it passes from person to person, and new words and phrases are added to fill in the blanks, the outcomes in chaotic systems become harder to predict over time. This information lag frustrates our best efforts to accurately predict the weather more than a few days in advance.

“You can send millions of probes into the atmosphere and measure wind speeds, temperatures, and precipitation, but you can’t measure every atom in the system,” Murphy said.

“There has to be some uncertainty, and that uncertainty grows and grows quickly. So while you might be fairly accurate at predicting the weather a few hours from now, if the uncertainty grows over time, it becomes impossible to predict the weather a month from now.”

“The ability to understand information generation in complex dynamic systems is now facilitating new approaches to one of the central questions in our lab: ‘How does the brain make mind possible?’” says Bassett.

“Deciphering information generation in the human brain holds significant promise for mental health and well-being.” Complete certainty is impossible, but humans have an innate drive to pursue it. Improving our ability to predict and understand these dynamic systems will not only help us get closer to that certainty, but the pursuit and the new tools we integrate into it can help us find patterns and out-of-the-box interpretations of data that inform innovative solutions to real-world problems, from weather forecasting to medical diagnosis and improving overall quality of life.

==========================================
Note 2407310623

I can measure chaos in two directions in the comprehensive vertex msbase.n2.

So how do we measure chaos and why should we measure it?
The researchers are leveraging the power of machine learning to better understand chaotic systems, opening the door to new insights in theoretical modeling and real-world scenarios.

But the way I understand my chaos is that in the two paths, all the chaos and random areas follow the very sophisticated combinational coordinates and entanglement and teleportation susqer.rivery, and in the ligands that represent this, there exists an absorber msoss binding method through acgt.oser.grid.oss like DNA. Hehe.

The peak of the msbase stacked mountain is the n2 (not k2?) n^2 summit. The implication of an arbitrary location in a huge infinite area. There are two downhill courses from that nk2?!! One is a warp drive that goes straight to the starting point. It's a wormhole. The other is a course from nk2 to nk2-base camp.

This is not a previously uploaded path, but an infinite number of cases data setting that attempts to arbitrarily reassemble a fully completed cubic. This is to have AI find patterns of chaos by placing it in a big data base, and the existing nk2 accumulation peak big data can be achieved according to my msoss solution, so you can teach this to AI Big Bang Endibia. It's easier said than done. If you want to learn it formally, you have to go back and forth 100 billion light years 100 billion trillion times... How can you master chaos without all that effort?

Decoding information generation in the human brain holds significant promise for mental health and well-being. Complete certainty is impossible, but humans have an innate desire to pursue it.

The mental world of the human brain is a world of order and harmony heading toward the domain () nk2 in Schopenhauer's philosophy. It is a world as a balanced, sensuous will and msbase representation.

sample qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001

sample pms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0

Sample msoss
zxdxybzyz
zxdzxezxz
xxbyyxzz
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca