Machine learning algorithms predict experimental output of chaotic lasers | ||
| dc.conicet.organizacion | Ministerio de Defensa. Instituto de Investigaciones Científicas y Técnicas para la Defensa | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Investigación y Desarrollo Estratégico para la Defensa. Ministerio de Defensa. Unidad de Investigación y Desarrollo Estratégico para la Defensa | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Investigación y Desarrollo Estratégico para la Defensa. Ministerio de Defensa. Unidad de Investigación y Desarrollo Estratégico para la Defensa | |
| dc.contributor.author | Nonaka, Myriam Eugenia | |
| dc.contributor.author | Agüero, Mónica Beatriz | |
| dc.contributor.author | Kovalsky, Marcelo Gregorio | |
| dc.date.issued | 2023-01 | |
| dc.description.abstract | We apply an artificial neural network (ANN) of 20 hidden layers and backpropagation regression to the forecast of experimental time series from a KLM Ti:Sapphire laser and a Nd: Vanadate with modulation losses. In both cases the neural network is able to predict up to 10 steps ahead. In the Ti:Sa laser the prediction in pulse amplitude is accurate even when the pulse is an extreme event. In the Nd: Vanadate laser we forecast both pulse amplitude and pulse to pulse time separation. In both cases the prediction goes beyond the Lyapunov prediction horizon. | es |
| dc.description.fil | Fil: Nonaka, Myriam Eugenia. Ministerio de Defensa. Instituto de Investigaciones Científicas y Técnicas para la Defensa; Argentina | |
| dc.description.fil | Fil: Agüero, Mónica Beatriz. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Investigación y Desarrollo Estratégico para la Defensa. Ministerio de Defensa. Unidad de Investigación y Desarrollo Estratégico para la Defensa; Argentina | |
| dc.description.fil | Fil: Kovalsky, Marcelo Gregorio. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Investigación y Desarrollo Estratégico para la Defensa. Ministerio de Defensa. Unidad de Investigación y Desarrollo Estratégico para la Defensa; Argentina | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Nonaka, Myriam Eugenia; Agüero, Mónica Beatriz; Kovalsky, Marcelo Gregorio; Machine learning algorithms predict experimental output of chaotic lasers; Optical Society of America; Optics Letters; 48; 4; 1-2023; 1060-1063 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 0146-9592 | es |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/233296 | |
| dc.journal.ciudad | Washington | es |
| dc.journal.number | 4 | es |
| dc.journal.pagination | 1060-1063 | es |
| dc.journal.pais | Estados Unidos | es |
| dc.journal.title | Optics Letters | es |
| dc.journal.volume | 48 | es |
| dc.language.iso | eng | es |
| dc.publisher | Optical Society of America | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://opg.optica.org/ol/upcoming_pdf.cfm?id=483662 | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1364/OL.483662 | |
| dc.rights | info:eu-repo/semantics/restrictedAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | * |
| dc.subject | Machine Learning | es |
| dc.subject | Chaos | es |
| dc.subject | Laser | es |
| dc.subject | Neural Network | es |
| dc.subject.classification | Otras Ciencias de la Computación e Información | es |
| dc.subject.classification | Ciencias de la Computación e Información | es |
| dc.subject.classification | CIENCIAS NATURALES Y EXACTAS | es |
| dc.title | Machine learning algorithms predict experimental output of chaotic lasers | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.7ec5cd71-0098-46f5-b150-3d31ecf352cd_B.pdf
- Tamaño:
- 2.8 MB
- Formato:
- Adobe Portable Document Format