用于時間數據分類和預測的儲層計算系統

在過去的十年左右的時間里，深度學習方法在處理靜態數據(例如圖像)方面已經變得越來越有效。但是，已發現這些技術在分析時間數據(例如視頻，人類語音和其他流輸入)時效率較低。這主要是因為處理時態數據需要更大的人工神經網絡，這對于訓練和實施而言更加昂貴。

考慮到這一點，密歇根大學的一組研究人員最近開發了一種儲層計算硬件系統，可以更有效地處理時間數據。儲層計算系統主要由將輸入映射到高維空間的儲層和基于儲層高維狀態的讀數進行模式分析組成。

已經發現這些系統對于時間或順序數據處理特別有效。由研究人員開發的系統已發表在《自然電子》上的一篇論文中，該系統基于具有內部短期記憶功能的動態氧化鎢(WO x)憶阻器。

主持這項研究的資深作者魏魯對TechXplore表示：“處理時間數據所需的龐大網絡規模的主要原因是網絡需要學習和存儲大量可能的時間特征。” “為了解決這個問題，我們采用了“儲層計算”的概念，系統中的“儲層”可以處理輸入而無需學習功能。這是通過儲層的“短期記憶”屬性實現的，因此它可以相應地響應(興奮)不同的輸入而不必顯式存儲任何東西。”