Novel Approach Based Minimization of Geometric Action for Predicting Rare and Extreme Events in Non-Equilibrium Systems

Abstract

Виявлення та кількісна оцінка неочікуваних подій у нерівноважних системах є критично важливою роботою, яка необхідна системним менеджерам для прийняття обґрунтованих рішень, особливо при прогнозуванні рідкісних та екстремальних подій. У цій статті нейронні мережі об’єднані для підвищення прогнозної здатності теорії інформації. Дві методики теорії інформації, «Довжина інформації» (IL) і «Потік інформації» (IF)», вивчаються на предмет їх чутливості до швидких змін. Щоб змоделювати перше виникнення екстремальних і рідкісних подій, ми використовуємо неавтономну модель Крамера, щоб ввести збурення. ми представили довгострокову пам’ять Dynamic Osprey (DOLSTM) для передбачення рідкісних і екстремальних подій у нерівноважних системах. Наші результати показують, що IL працює краще, ніж IF, у точному прогнозуванні несподіваних подій у поєднанні з нейронною мережею. Це дослідження підкреслює нову інтеграцію між теорією інформації та нейронними мережами, що дає ефективну стратегію для прогнозування рідкісних та екстремальних подій у нерівноважних середовищах. Ефективна методологія ідентифікації та прогнозування поведінки динамічних систем створена шляхом поєднання діагностики довжини інформації з прогнозуванням нейронної мережі, особливо в ситуаціях, пов’язаних із рідкісними та екстремальними подіями. Цей новий метод показує, що теорія інформації та нейронні мережі можуть бути використані для забезпечення надійних прогнозів для динамічних систем, коли вони стикаються з рідкісними та екстремальними подіями.

Identifying and quantifying unexpected events in non-equilibrium systems is critical work that is necessary for systems managers to make well-informed decisions, particularly when forecasting rare and extreme events. In this paper neural networks are integrated to increase the predictive capacity of information theory. Two information theory techniques, “Information Length (IL) and Information Flow (IF)”, are being examined for their sensitivity to rapid changes. To simulate the first occurrence of extreme and rare events, we utilize a nonautonomous Kramer model to introduce a perturbation. we introduced a Dynamic Osprey Long Short-Term Memory (DOLSTM) for predicting rare and extreme events in non-equilibrium systems. Our results show that IL performs better than IF in accurately forecasting unexpected occurrences when combined with a neural network. This study highlights a novel integration between information theory & neural networks, giving an effective strategy for forecasting rare & extreme events in non-equilibrium environments. An effective methodology for identifying and forecasting the behavior of dynamic systems is established by combining information-length diagnostics with neural network predictions, especially in situations involving rare and extreme events. This novel method illustrates that the theory of information and neural networks can be used to provide robust predictions for dynamic systems, when encountering rare and extreme events.