Videnskab
 science >> Videnskab >  >> Elektronik

Find orden ved hjælp af kaos:Synkronisering af spidsoscillatorer hjælper med at bygge fysiske reservoirer

a) Topologi af netværket og knudekredsløbsdiagram, b) Bølgeformer af en enkelt knude, der opererer i periodiske (øverst til venstre) og kaotiske områder (nederst til venstre) efterfulgt af bølgeformer af to koblede knudepunkter, der er usynkroniserede (øverst til højre) og synkroniseret (nederst til højre). c) Gennemsnitlig synkronisering på tværs af hele netværket under kontrol af koblingsstyrken og en parameter, der påvirker dynamikken i kredsløbet. De områder, hvor netværket er usynkroniseret (blå), ufuldstændigt synkroniseret (gul) og fuldstændig synkroniseret (rød) vises. Et bredt område med ufuldstændig synkronisering, når netværket fungerer tæt på kanten af ​​kaos, kan observeres. Ydermere viser synkroniseringsmatrixen i området for ufuldstændig synkronisering fremkomsten af ​​præferenceinddragelse mellem nogle nodepar i forhold til andre. Kredit:Jim Bartels

Ingeniører ved Tokyo Institute of Technology (Tokyo Tech) har demonstreret en beregningsmetode ved hjælp af et ringnetværk af koblede spidsoscillatorer med kaotisk dynamik implementeret på analog hardware. Denne nye tilgang er baseret på de fremkomst- og mønsterdannelsesfænomener, der opstår under "ufuldstændig synkronisering" inden for kaotisk dynamik. I fremtiden kan det påvirke konventionelle metoder til mønsterdetektion, der almindeligvis anvendes i kunstige neurale netværk på digitale hardware-modstykker.

I nyere tid har algoritmer baseret på kunstig intelligens (AI) fundet forskellige samfundsmæssige anvendelser såsom personlig sundhedspleje, autonom kørsel, smarte byer og præcisionslandbrug. Mængden af ​​computerkapacitet, der er nødvendig for at implementere sådanne algoritmer, er stigende. Derfor ser forskningsinitiativer på alternative AI-tilgange med inspiration fra eksisterende naturlige systemer.

En tilgang er fysisk reservoirberegning, hvor et ensemble af dynamiske elementer, der udnytter fysiske fænomener, bruges til at kortlægge inputdata til et højdimensionelt rum. Fordelen ved denne metode er det reducerede behov for træningsalgoritmer, der kræver en stor mængde processorkraft. Disse reservoirer kan ofte implementeres af meget simple fysiske systemer og kræver ikke komplekse arkitekturer, som det er tilfældet med neurale netværk.

Kredsløbet, der blev brugt i denne undersøgelse, kaldet Minati-Frasca-kredsløbet og oprindeligt opdaget og udviklet af forskere ved universiteterne i Trento og Catania i Italien, er meget elementært og involverer kun fem passive og to aktive komponenter, mens det viser rig spikadfærd . "Disse kredsløb er virkelig bemærkelsesværdige og er en naturlig kandidat til fysisk reservoirberegning," siger Dr. Hiroyuki Ito, leder af Nano Sensing Unit, hvor undersøgelsen blev udført.

a) Effekt af sammenhængende støj indsprøjtet i netværket, realiseret ved hjælp af en ekstra strømkilde. Parameterkortet viser forskellen i gennemsnitlig synkronisering mellem ingen støj og maksimal induceret støj. b) Opdeling af netværket i to halvdele, hvor den ene fungerer i kaos (A) og den anden viser periodisk adfærd (B), ved at indstille kontrolparameteren anderledes. Ikke-monotoniske effekter observeres fra plottet for den periodiske halvdel, hvilket afslører modstridende vej-til-synkroniseringseffekter på tværs af knudepunkter. c) Hypotetisk konfiguration af netværket af kaotiske oscillatorer, når det bruges som et reservoir, der modtager forstyrrelser på koblingsstyrkerne og kontrolparameteren. Kredit:Jim Bartels

Eksperimenterne udført af forskerne ved Tokyo Tech omfattede justering af kaoticiteten og koblingsstyrken i et ringnetværk af Minati-Frasca-kredsløb. Indledningsvis, ved lave værdier af en passende kontrolparameter, viste netværket periodisk spiking, efterfulgt af meget uregelmæssig adfærd, når denne parameter blev øget. I kombination med at feje koblingsstyrken afslørede denne operation en lang række måder, hvorpå netværket synkroniseres, hvilket betyder, at noder i det viser lignende adfærd, som kan observeres i deres bølgeformer. I betragtning af netværket som helhed kan fremkomsten af ​​synkroniseringsmønstre med en foretrukken synkronisering af nogle nodepar frem for andre, en situation kendt som ufuldstændig synkronisering, observeres i kaos. Ydermere, i tilfælde af dette særlige netværk, når denne region maksimal bredde nær kanten af ​​kaos, som er grænsen mellem periodiske og kaotiske operationsområder.

Forskerne ved Tokyo Tech introducerede derefter to yderligere faktorer for at påvirke "rute-til-synkronisering", nemlig indsprøjtning af sammenhængende støj i hver knude i netværket og opdeling af netværket i to forskellige populationer. Førstnævnte viste, at den ekstra støj væsentligt reducerer synkroniseringen af ​​netværket i det periodiske område, mens området med ufuldstændige synkroniseringsforskydninger og synkroniseringen af ​​knudepunkter, der ikke er strukturelt tilstødende, forbedres i det kaotiske område. Dette indikerer, at netværket kan reagere på ydre stimuli på en kompleks måde. Sidstnævnte eksperiment opdelte netværket i to halvdele, den ene opererer inden for kaos og den anden inden for periodicitet.

Ruten til synkronisering under denne betingelse blev undersøgt med et koblingsstyrke-sweep, hvilket gav en slående diversificering af synkroniseringsadfærden mellem de to populationer. Mens synkroniseringsstyrken støt steg inden for den kaotiske halvdel, viste den periodiske halvdel ikke-monotoniske effekter, dvs. multiple minima optrådte, når koblingsstyrken blev fejet. Efter at have undersøgt synkroniseringsmønstrene i detaljer, blev der desuden afsløret en modstridende adfærd, som viste en indledende synkronisering af den periodiske halvdel, som derefter blev overhalet af den kaotiske halvdel, efterfulgt af en endelig overordnet synkronisering mellem begge halvdele. Denne effekt understreger yderligere dette netværks generative potentiale. I bund og grund viser en binær opdeling af to populationer et meget forenklet scenarie for de inputforstyrrelser, som dette netværk kan blive udsat for, når det bruges til fysisk reservoirberegning.

Som sådan overvejede forskerne netværket i deres undersøgelse og foreslog at bruge det til at implementere reservoirberegning i fremtiden ved at udnytte de forskellige fænomener, der blev beskrevet ovenfor. "Med baggrund i maskinlæring mindede koblingerne i netværket mig om at arbejde med neurale netværk. Men i begyndelsen var jeg ikke i stand til at forstå implikationerne af skiftende dynamik og kaos, da konventionelle AI-algoritmer har en tendens til ikke at have deres medfødte dynamisk aktivitet," siger Jim Bartels, en af ​​hovedforfatterne af denne undersøgelse. "Jeg indså, at udnyttelse af denne dynamik til beregning kunne passe godt ind i reservoirberegningsområdet, som fortsat er et voksende studieområde."

Efter dette interview forklarede teamet, hvorfor denne type reservoir-beregning kunne være gavnlig for applikationer i samfundet. "Et af de vigtigste forskningsfelter, som vi arbejder på i Nano Sensing Unit, er tidsserieklassificering for internet-of-things (IoT) enheder og edge computing, såsom klassificering af dyrs adfærd. En meget vigtig overvejelse for disse enheder er deres batterilevetid, da det bestemmer barrieren mod konkret adoption.Det spændende ved fysiske reservoirer som det, vi har foreslået, er muligheden for i fremtidige integrerede realiseringer, der skal bygges, med en lavere effekt end store digitale neurale netværk . Da kredsløbet repræsenterer en af ​​de mindste kendte typer af spidsgenererende oscillatorer, der går ud over det nuværende proof-of-concept-stadium, forventer vi, at forskere verden over vil udforske dets mange mulige variationer for yderligere beregningsmæssige rammer, såsom neurale netværk," de kommenterede.

Ludovico Minati, som er den førende forfatter af undersøgelsen. Eksperimenterne, der blev foretaget, designet af hardwaren, resultaterne og deres diskussion er rapporteret i en nylig artikel offentliggjort i tidsskriftet Chaos, Solitons &Fractals . Desuden er alle designmaterialer og eksperimentelle data gjort frit tilgængelige. + Udforsk yderligere

Udforskning af delvis synkronisering i netværkssystemer