Predição por aprendizado de máquina da transição crítica e colapso do sistema

Prever uma transição crítica devido à deriva de parâmetros sem depender de um modelo é um problema relevante em dinâmicas não lineares e campos aplicados. Um problema intimamente relacionado é prever se o sistema já está ou se estará em um estado transitório precedendo seu colapso. Desenvolvemos uma solução baseada em aprendizado de máquina, sem modelo, para ambos os problemas explorando computação em reservatório para incorporar um canal de entrada de parâmetros. Demonstramos que, quando a máquina é treinada no regime de funcionamento normal com um atrator caótico (ou seja, antes da transição crítica), o ponto de transição pode ser previsto com precisão. Notavelmente, para uma deriva de parâmetro através do ponto crítico, a máquina com o canal de entrada do parâmetro consegue prever não só que o sistema estará em um estado transitório, mas também a distribuição dos tempos de vida transitórios e sua média antes do colapso final, revelando uma importante propriedade física do caos transitório.