MétaCan
Menu
Retour à la cohorte
Enregistrement W3047948945 · doi:10.1088/1361-6544/ab8f7b

Bounding extrema over global attractors using polynomial optimisation

2020· article· en· W3047948945 sur OpenAlexafffund

Notice bibliographique

RevueNonlinearity · 2020
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Differential Equations and Dynamical Systems
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAttractorLyapunov functionBounded functionPolynomialLyapunov exponentMaxima and minimaChaoticBounding overwatchUpper and lower bounds

Résumé

récupéré en direct d'OpenAlex

Abstract We present a framework for bounding extreme values of quantities on global attractors of differential dynamical systems. A global attractor is the minimal set that attracts all bounded sets; it contains all forward-time limit points. Our approach uses (generalised) Lyapunov functions to find attracting sets, which must contain the global attractor, and the choice of Lyapunov function is optimised based on the quantity whose extreme value one aims to bound. We also present a non-global framework for bounding extrema over the minimal set that is attracting in a specified region of state space. If the dynamics are governed by ordinary differential equations, and the equations and quantities of interest are polynomial, then our methods can be implemented computationally using polynomial optimisation. In particular, we enforce nonnegativity of certain polynomial expressions by requiring them to be representable as sums of squares, leading to a convex optimisation problem that can be recast as a semidefinite program and solved computationally. This computer assistance lets one construct complicated polynomial Lyapunov functions. Computations are illustrated using three examples. The first is the chaotic Lorenz system, where we bound extreme values of various monomials of the coordinates over the global attractor. In the second example we bound extreme values over a chaotic saddle in a nine-mode truncation of fluid dynamics that displays long-lived chaotic transients. The third example has two locally stable limit cycles, each with its own basin of attraction, and we apply our non-global framework to construct bounds for one basin that do not apply to the other. For each example we compute Lyapunov functions of polynomial degrees up to at least eight. In cases where we can judge the sharpness of our bounds, they are sharp to at least three digits when the polynomial degree is at least four or six.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,196
Tête enseignante GPT0,398
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNonlinearityMême sujetAdvanced Differential Equations and Dynamical SystemsTravaux en français237 207