科学家开发下一代储备池计算
source link: https://www.solidot.org/story?sid=69031
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
科学家开发下一代储备池计算
一种相对较新、能够模拟人脑工作方式的计算类型，正在改变科学家解决某些高难度信息处理问题的方式。研究人员现在找到了一种方法，能将所谓储备池计算（Reservoir Computing ）的工作速度提高 33 到 100 万倍，大幅削减所需的计算资源与数据输入量。在下一代储备池计算的测试中，研究人员不到一秒内就在台式机上解决了一个复杂计算问题。这项研究的主要作者、俄亥俄州立大学物理学教授 Daniel Gauthier 表示，即使使用目前最先进的技术，同样的问题也需要在超级计算机上耗费更长时间才能解决。研究报告发表在《自然通讯》杂志上。
Gauthier 解释道，储备池计算是一种出现于 2000 年代初的机器学习算法，用于解决“最困难的”计算问题，例如预测动力系统随时间推移产生的演变。Gauthier 表示，之前的研究表明，储备池计算非常适合学习动力系统、够准确预测它们的未来行为。储备池计算通过人工神经网络实现这一目标，整个处理过程与人脑类似。科学家将动态网络上的数据输入到网络内随机连接的人工神经元“储备池”中，再由科学家将该网络产生的有用输出馈送回网络，由此建立起一套越来越准确的系统发展预测模型。系统体量越大、复杂度也就越高，科学家要想得到更准确的预测结果，就必须使用更大的人工神经元网络——由此占用的计算资源与时间自然就更多。
在这项研究中，Gauthier 和他的同事发现可以对整个储备池计算系统进行大幅简化，从而显著削减对于计算资源的需求、缩短处理时长。他们选择在由 Edward Lorenz 开发的天气预测系统中测试了他们的概念，即尝试分析蝴蝶效应的发生过程。在这项预测任务中，他们的下一代储备池计算明显胜过当前最先进的技术。在台式机上完成的一项相对简单的模拟当中，新系统比现有模型快 33 至 163 倍。而在强调提高预测准确性后，下一代储备池计算的速度则快了约 100 万倍。Gauthier 表示，与上一代模型所需要的 4000 个神经元相比，新一代计算方法只需要 28 个神经元就能实现相同的精度。另一个实现良好加速效果的原因，在于下一代储备池计算背后的“大脑”对于预热及训练的依赖性较上代方案也有大幅降低。所谓预热，是指将训练数据输入添加到储备池计算机内，借此为实际任务做好准备。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK