Et reservoirberegningssystem til tidsbestemt dataklassificering og prognose

I løbet af det seneste årti eller deromkring, deep-learning tilgange er blevet stadig mere effektive til at behandle statiske data såsom billeder. Imidlertid, disse teknikker har vist sig at være noget mindre effektive til at analysere tidsmæssige data, såsom videoer, menneskelig tale og andre streaming input. Dette skyldes primært, at behandling af tidsmæssige data kræver større kunstige neurale netværk, som er dyrere at træne og implementere.

Med det i tankerne, et team af forskere ved University of Michigan har for nylig udviklet et reservoir-computerhardwaresystem til at behandle tidsmæssige data mere effektivt. Reservoir computing-systemer består i det væsentlige af et reservoir, der kortlægger input til et højdimensionelt rum og en udlæsning til mønsteranalyse baseret på reservoirets højdimensionelle tilstande.

Disse systemer har vist sig at være særligt effektive til tidsmæssig eller sekventiel databehandling. Systemet udviklet af forskerne, som blev præsenteret i et papir udgivet i Naturelektronik , er baseret på dynamisk wolframoxid (WO _x ) memristorer med interne korttidshukommelsesfunktioner.

"En hovedårsag til den store netværksstørrelse, der er nødvendig for at behandle tidsmæssige data, er det store antal mulige tidsmæssige funktioner, der skal læres og lagres af netværket, "Wei Lu, seniorforfatteren, der ledede undersøgelsen, fortalte TechXplore. "For at løse dette problem, vi brugte et 'reservoir computing' koncept, hvor 'reservoiret' i systemet kan behandle input uden at skulle lære funktionerne. Dette aktiveres af reservoirets 'korttidshukommelse'-egenskab, så den kan reagere (være ophidset) i overensstemmelse hermed på forskellige input uden at skulle gemme noget eksplicit."

De fleste tidligere udviklede reservoirer blev bygget ved hjælp af digitale kredsløb, der emulerer korttidshukommelseseffekter. Dette gør dem i sidste ende svære at implementere fysisk, og dermed meget upraktisk.

Lu og hans kolleger, på den anden side, fremstillet deres reservoir-computersystem ved hjælp af WO _x memristor-enheder med iboende korttidshukommelsesegenskaber. Med andre ord, hver enkelt memristor-enhed er et dynamisk system i sig selv og kan behandle en bred vifte af tidsmæssige input.

Gennem disse memristorer, reservoirsystemet kan ikke-lineært kortlægge tidsmæssige input til reservoirtilstande. Projicerede funktioner kan derefter nemt behandles af en lineær udlæsningsfunktion.

"Ved at udnytte enhedernes interne dynamik til naturligt at udføre databehandling, vi kunne bygge reservoirnetværket med kun et lille antal memristor-enheder, hvilket fører til meget mindre fodaftryk, koste, og strømforbrug, " forklarede Lu.

Lu og hans kolleger demonstrerede og evaluerede deres system på en standard talegenkendelsesopgave, der involverer genkendelse af talte cifre. Deres system var i stand til at genkende cifre talt af mennesker med en bemærkelsesværdig nøjagtighed på 99,2 procent.

"Mere interessant, da netværket kan fange inputets tidsmæssige træk, vi viste, at vi også kan bruge netværket til at udføre forudsigelses-/forudsigelsesfunktioner, " sagde Lu. "F.eks. i talegenkendelse, vi kan forudsige talerens tilsigtede ord, før taleren afslutter det. I et andet eksempel, vi viste netværkets evne til at fange de komplekse træk ved et kaotisk system og pålideligt forudsige udviklingen af ​​det kaotiske system på lang sigt, hvilket er en meget udfordrende opgave."

I fremtiden, reservoir-beregningssystemet til at analysere og forudsige tidsmæssige input, der er udtænkt af dette team af forskere, kunne have adskillige interessante anvendelser. For eksempel, det kunne hjælpe med at forbedre menneske-maskine-grænseflader, autonome køreplatforme, og anden teknologi, der kræver behandling eller prognose af streaming-input.

I øvrigt, ved at bruge denne nye tilgang, størrelsen og strømforbruget af kunstige neurale netværk til behandling af tidsdata kan reduceres betydeligt. Dette kunne gøre indlejring af disse netværk i eksisterende systemer nemmere og billigere, i sidste ende giver forskere mulighed for at udstyre et bredere udvalg af enheder med tidsanalysefunktioner i realtid.

"Vi arbejder nu på mere komplekse systemer og på at forbedre netværkets ydeevne yderligere, " tilføjede Lu.

© 2019 Science X Network