科學家開發下一代儲層計算

一種模擬人腦工作方式的相對較新的計算類型已經改變了科學家解決一些最困難的信息處理問題的方式。現在，研究人員已經找到了一種方法，可以使所謂的儲層計算工作速度提高 33 到 100 萬倍，而且所需的計算資源和數據輸入要少得多。

事實上，在這種下一代儲層計算的一項測試中，研究人員在不到一秒鐘的時間內在臺式計算機上解決了一個復雜的計算問題。

該研究的主要作者、俄亥俄州立大學物理學教授 Daniel Gauthier 說，使用目前最先進的技術，同樣的問題需要一臺超級計算機來解決，而且仍然需要更長的時間。

Gauthier 說：“與儲層計算目前所能做的相比，我們可以在很短的時間內使用更少的計算機資源來執行非常復雜的信息處理任務。”

“而且儲層計算已經是對以前可能的顯著改進。”

這項研究今天發表在《自然通訊》雜志上。

Gauthier 說，水庫計算是一種在 2000 年代初期開發的機器學習算法，用于解決“最難的”計算問題，例如預測隨時間變化的動力系統的演變。

他說，動力系統，比如天氣，很難預測，因為在一種情況下，只要發生一個微小的變化，就會產生巨大的影響。

一個著名的例子是“蝴蝶效應”，在一個比喻中，蝴蝶扇動翅膀所產生的變化最終會影響幾周后的天氣。

Gauthier 說，先前的研究表明，儲層計算非常適合學習動力系統，并且可以準確預測它們未來的行為。

它通過使用人工神經網絡來做到這一點，有點像人腦。科學家將動態網絡上的數據輸入到網絡中隨機連接的人工神經元的“庫”中。該網絡產生有用的輸出，科學家可以解釋這些輸出并將其反饋到網絡中，從而對系統未來的發展方式進行越來越準確的預測。

系統越大越復雜，科學家希望預測越準確，人工神經元網絡就必須越大，完成任務所需的計算資源和時間就越多。

一個問題是人工神經元的儲存庫是一個“黑匣子”，Gauthier 說，科學家們并不確切知道里面發生了什么——他們只知道它有效。

Gauthier 解釋說，油藏計算核心的人工神經網絡是建立在數學基礎上的。

“我們讓數學家查看這些網絡并詢問，'機器中的所有這些部件在多大程度上真正需要?'”他說。

在這項研究中，Gauthier 和他的同事調查了這個問題，發現整個儲層計算系統可以大大簡化，大大減少對計算資源的需求并節省大量時間。

他們在一項涉及由 Edward Lorenz 開發的天氣系統的預測任務中測試了他們的概念，他的工作使我們了解了蝴蝶效應。

他們的下一代儲層計算在這項洛倫茲預測任務中明顯勝過當今最先進的技術。在臺式計算機上進行的一項相對簡單的模擬中，新系統比當前模型快 33 到 163 倍。

但是，當目標是提高預測的準確性時，下一代儲層計算速度大約快 100 萬倍。Gauthier 說，與當前一代模型所需的 4,000 個神經元相比，新一代計算只需 28 個神經元即可實現相同的精度。

加速的一個重要原因是，與當前一代相比，下一代儲層計算背后的“大腦”需要更少的預熱和訓練才能產生相同的結果。

預熱是訓練數據，需要將其作為輸入添加到儲層計算機中，以便為實際任務做好準備。

“對于我們的下一代儲層計算，幾乎不需要升溫時間，”Gauthier 說。

“目前，科學家必須輸入 1,000 或 10,000 個或更多數據點來預熱。這就是丟失的所有數據，實際工作不需要。我們只需要輸入一兩個或三個數據點，“ 他說。

一旦研究人員準備好訓練水庫計算機進行預測，下一代系統需要的數據也會少得多。

在他們對洛倫茲預測任務的測試中，研究人員可以使用 400 個數據點獲得與當前使用 5,000個或更多數據點產生的結果相同的結果，具體取決于所需的準確性。

Gauthier 說：“令人興奮的是，下一代儲層計算采用了已經非常好的技術并使其效率顯著提高。”

他和他的同事計劃擴展這項工作以解決更困難的計算問題，例如預測流體動力學。

“這是一個非常難以解決的問題。我們想看看我們是否可以使用我們簡化的儲層計算模型來加快解決該問題的過程。”

該研究的合著者是克拉克森大學電氣和計算機工程教授 Erik Bollt;Aaron Griffith，他獲得了博士學位。俄亥俄州立大學物理學博士;以及俄亥俄州立大學物理學博士后研究員溫德森·巴博薩 (Wendson Barbosa)。