Huawei Fan, Ling-Wei Kong, Ying-Cheng Lai, and XIngang Wang*, Anticipating synchronization with machine learning, Phys. Rev. Research 3, 023237 (2021).

在实际的耦合系统中，当我们想要预测同步的发生，但却不知道系统的动力学方程时，这时就需要找到一套只依靠数据驱动的预测同步的架构。在这个工作中，我们实现了利用机器学习来解决这个难题。具体来说，我们利用了回声状态网络(或者是储备池计算)，并结合参数感知的方案，利用几段系统处于非同步状态下的时间序列训练机器，通过调节控制参数使其可以预测同步状态的发生。为了展示此方法的有效性，在本文中我们展示了两类典型的耦合系统中的同步行为，分别是全同混沌振子中的完全同步和非全同相振子的相同步。此外，我们展示的结果也包含了非线性物理系统中具有代表性的两类相变过程，即：一级相变和二级相变。