Vortex, nøglen til informationsbehandlingskapacitet:Virtuel fysisk reservoir-beregning

I de seneste år, fysisk reservoirberegning, en af ​​de nye informationsbehandlingsteknologier, har tiltrukket sig stor opmærksomhed. Dette er en fysisk implementeringsversion af reservoir computing, som er en læringsmetode afledt af tilbagevendende neurale netværk (RNN) teori. Den implementerer beregning ved at betragte det fysiske system som et enormt RNN, outsourcing af hovedoperationerne til dynamikken i det fysiske system, der danner det fysiske reservoir. Det har fordelen ved at opnå optimering øjeblikkeligt med begrænsede beregningsressourcer ved at justere lineære og statiske udlæsningsvægtninger mellem outputtet og et fysisk reservoir uden at kræve optimering af vægtningerne ved tilbageudbredelse.

Imidlertid, da informationsbehandlingsevnen afhænger af den fysiske reservoirkapacitet, det er vigtigt, at dette bliver undersøgt og optimeret. Desuden, når man designer et fysisk reservoir med høj informationsbehandlingskapacitet, det forventes, at de eksperimentelle omkostninger vil blive reduceret ved numerisk simulering. Velkendte eksempler på fysisk reservoirberegning omfatter dens anvendelse på bløde materialer, fotonik, spintronik, og kvantum, mens i de senere år, stor opmærksomhed er blevet rettet mod bølger; neuromorfe enheder, der simulerer hjernens funktioner ved at bruge ikke-lineære bølger, er blevet foreslået.

Væskestrømmen af ​​vand, luft, osv. repræsenterer et fysisk system, der er velkendt, men som viser forskellige og komplicerede mønstre, som man har troet har høj informationsbehandlingsevne. Imidlertid, virtuel fysisk reservoirberegning ved hjælp af numerisk simulering eller undersøgelse af informationsbehandlingsevnen for fluidflowfænomener er ikke blevet realiseret på grund af dens relativt høje numeriske beregningsomkostninger. Derfor, forholdet mellem strømhvirvelen og informationsbehandlingsevnen forblev ukendt.

I dette studie, Prof. Hirofumi Notsu og en kandidatstuderende fra Kanazawa University i samarbejde med Prof. Kohei Nakajima fra University of Tokyo undersøgte væskestrømsfænomener som et fysisk system, især væskestrømmen, der opstår omkring en cylinder, hvilket er godt forstået. Det er kendt, at dette fysiske system er styret af de inkompressible Navier-Stokes ligninger, som beskriver væskeflow, og inkluderer også Reynolds-nummeret, en parameter, der angiver systemets egenskaber.

Dette fysiske system blev praktisk talt implementeret ved rumlig todimensionel numerisk simulering ved hjælp af den stabiliserede Lagrange-Galerkin metode, og dynamikken af ​​strømningshastighed og tryk på de valgte punkter i nedstrømsområdet af cylinderen blev brugt som det fysiske reservoir. Informationsbehandlingsevnen blev evalueret ved hjælp af NARMA-modellen.

Det er kendt, at i strømmen af ​​væske omkring en cylinder, som Reynolds talværdi stiger, tvillingehvirvler dannet i nedstrømsområdet af cylinderen bliver gradvist større og danner til sidst en Karman-hvirvelgade, skiftevis afgivelse af hvirvler. I dette studie, det blev præciseret, at ved Reynolds-tallet, hvor tvillingehvirvlerne er maksimale, men lige før overgangen til en Karman-hvirvelgade, informationsbehandlingskapaciteten er den højeste.

Med andre ord, før overgangen til en Karman-hvirvelgade, informationsbehandlingsevnen øges, efterhånden som størrelsen af ​​tvillingehvirvlerne øges. På den anden side, da ekkotilstandsegenskaben, der garanterer reproducerbarheden af ​​reservoirberegningen, ikke kan opretholdes, når overgangen til Karman-hvirvelgaden finder sted, det bliver klart, at Karman-hvirvelgaden ikke kan bruges til databehandling.

Det forventes, at disse resultater vedrørende fluidstrømhvirvler og informationsbehandlingskapacitet vil være nyttige, når i fremtiden, det fysiske reservoirs informationsbehandlingsevne kan udvides ved hjælp af væskestrøm, f.eks. i udviklingen af ​​bølgebaserede neuromorfe enheder, der for nylig er rapporteret. Selvom de numeriske beregningsomkostninger ved væskestrømningsfænomener er relativt høje, denne undersøgelse har gjort det muligt at håndtere makroskopiske hvirvler, der er fysisk lette at forstå, og har klarlagt forholdet mellem hvirvler og informationsbehandlingskapaciteter ved virtuelt at implementere fysisk reservoirberegning med rumlig todimensionel numerisk simulering.

Virtuel fysisk reservoir computing, som tidligere blev anvendt på et relativt stort antal fysiske systemer beskrevet som endimensionelle systemer, er blevet udvidet til at omfatte fysiske systemer med to eller flere rumlige dimensioner. Det forventes, at resultaterne af denne undersøgelse vil muliggøre virtuel undersøgelse af informationsbehandlingskapaciteten i en bredere vifte af fysiske systemer. Ud over, da det afsløres, at hvirvler er nøglen til informationsbehandlingsevne, det forventes, at forskning til at skabe eller vedligeholde hvirvler vil blive yderligere fremmet.