reservoir computing
PulseAugur coverage of reservoir computing — every cluster mentioning reservoir computing across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架提升神经形态计算的可迁移性
研究人员开发了一种新颖的无模型时间开关（TS）框架，旨在增强轻量级神经形态计算系统的可迁移性。该框架旨在克服设备到设备的差异性挑战，这些差异性通常需要大量的重新训练。通过在训练期间纳入更广泛的设备，TS框架能够在没有训练后校准的情况下直接将性能迁移到未见的硬件上。该方法在Mackey--Glass基准测试中展示了提高的预测精度，并在语音数字分类中达到了92.4%的准确率，预示着在资源受限环境中实现高效人工智能的潜力。
-
菌丝体芯片实现可调谐储层计算
研究人员开发了利用可调谐菌丝体（一种真菌材料）进行物理储层计算的新型芯片。这种方法利用菌丝体的自然生长模式来创建适应性计算基板。该技术旨在通过提供一种生物集成且可能更高效的信息处理方法来推进神经形态计算领域。
-
张量网络模型增强混沌时间序列预测能力
研究人员开发了一种新颖的张量网络模型，用于预测混沌时间序列，这项任务传统上一直具有挑战性。该方法建立在水库计算的基础上，这是一种利用动力学系统特性进行预测而无需大量调优的方法。新模型旨在克服先前方法（如截断Volterra级数）相关的指数参数增长问题，与传统的回声状态网络相比，提高了准确性和计算效率。
-
新型残差水库记忆网络增强了RNN
研究人员开发了一种新型循环神经网络，称为残差水库记忆网络（ResRMNs）。该模型结合了线性记忆水库和使用残差正交连接的非线性水库，以改善长期数据传播。使用线性稳定性分析对水库状态的动力学进行了分析，并探索了时间残差连接的各种配置。在时间序列和像素级分类任务上的实验表明，ResRMNs的性能优于传统的计算水库模型。
-
新的水库设计方法提高了AI训练的准确性
研究人员开发了一种新的水库计算中设计水库的方法，摆脱了随机构建。这种数据特定的方法利用几何原理将水库状态增量与输入确定的子空间向量对齐。该方法旨在通过将水库状态集中在输入确定的子空间内来减少训练误差并提高预测准确性，从而在任意水库设计上获得一致的性能提升。
-
研究人员推出RC-Koopman框架用于学习非线性系统动力学
研究人员开发了一个名为RC-Koopman的新框架，该框架利用储层计算来创建非线性动力学系统的线性表示。该方法旨在克服Koopman算子理论中固有的字典选择和时间记忆编码的挑战。RC-Koopman框架将储层解释为有状态字典，记忆深度由谱半径控制，与扩展动态模式分解（EDMD）等方法相比，具有更好的数值条件和稳定性。此外，另一项研究提出了一种通过整合子系统控制方程信息来学习耦合系统Koopman算子的方法，解决了EDMD等纯数据驱动方…
-
基于忆阻器的AI系统在高效学习和神经形态计算方面展现出潜力
研究人员正在探索自组织忆阻网络（SOMNs）作为人工智能的传统硬件的物理替代方案，旨在实现节能、类脑的持续学习。这些网络利用纳米级电阻式存储器元件的独特动力学来执行计算。最近的工作表明，它们在图像分类方面具有高精度和对器件变化的鲁棒性，并在时间序列分类方面表现出色，优于传统的基于梯度的模型，同时大大缩短了训练时间。