Self-induced stochastic resonance: A physics-informed machine learning approach
Divyesh Savaliya and Marius E. Yamakou
自我诱导随机共振(SIR)是在仅由噪声驱动的慢速可兴奋系统中出现连贯振荡,没有外部周期性强迫或接近分叉。 这项工作提供了一个物理知情的机器学习框架,用于在随机的FitzHugh-Nagumo神经元中进行建模和预测SISR。 我们将管理随机微分方程和SISR-渐近时间尺度匹配约束直接嵌入到基于噪声增强状态预测器架构的物理知情神经网络(PINN)中。 复合损失集成了数据保真度、动态残差和来自 Kramers 逃逸理论的基于屏障的物理约束。 受过训练的PINN准确地预测了尖峰列车相干性对噪声强度、可兴奋性和时间尺度分离的依赖性,与纯数据驱动方法相比,直接随机模拟的结果与准确性和概括性显著提高相匹配,同时需要明显更少的计算。 该框架提供了一个数据高效和可解释的替代模型,用于模拟和分析多尺度随机系统中的噪声诱导一致性。
Self-induced stochastic resonance (SISR) is the emergence of coherent oscillations in slow-fast excitable systems driven solely by noise, without external periodic forcing or proximity to a bifurcation. This work presents a physics-informed machine learning framework for modeling and predicting SISR in the stochastic FitzHugh-Nagumo neuron. We embed the governing stochastic differential equations and SISR-asymptotic timescale-matching constraints directly into a Physics-Informed Neural Network (...
