reservoir computing
PulseAugur coverage of reservoir computing — every cluster mentioning reservoir computing across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
自由概率核优化储层计算超参数
研究人员开发了一种使用自由概率核优化储层计算超参数选择的新方法。该方法无需进行广泛的模拟即可对候选操作状态进行排序，从而显著降低了与调整循环增益和输入尺度等参数相关的计算成本。该方法在各种合成和真实世界预测任务中表现出强大的性能，以一小部分计算资源实现了与穷举搜索相当的结果。
-
新的深度残差回声状态网络增强了RNN的记忆容量
研究人员推出了一种新型未训练循环神经网络——深度残差回声状态网络（DeepResESNs），旨在提高记忆容量和长期时间建模能力。通过在未训练循环层层次结构中引入时间残差连接，DeepResESNs提高了时间序列任务的性能。该研究探讨了这些连接的各种正交配置，并提供了网络动力学稳定的数学条件，在不牺牲计算效率的情况下，展示了优于传统Reservoir Computing方法的预测精度。
-
镜子前的一个原子充当通用量子蓄水池计算机
研究人员已经证明，放在镜子前的一个原子可以充当通用蓄水池计算机。这种极简的量子设置通过近似衰减记忆映射来实现通用性，其精度可通过更改测量设置进行调整。该系统在线性极限之外的饱和特性使其能够执行现实世界的任务，为利用最少量子资源进行计算提供了一种新颖的方法。
-
机器人利用人工本体感觉进行非视觉地面状况分类
研究人员开发了一种新方法，使仿生变形虫的自主行走机器人能够在使用视觉传感器的情况下对地面状况进行分类。该系统集成了人工本体感觉，利用三轴加速度计和八个脚部压力传感器，并结合了水库计算。这种多模态传感使机器人能够准确地区分平坦和崎岖的地形，即使在动态运动引起的传感器波动中也能做到，并使其能够相应地调整其行走步态。
-
新的机器学习方法回收用于优化问题的动态规划结果
研究人员开发了一种新颖的机器学习方法，该方法可以回收动态规划的计算结果来解决组合优化问题。这种基于水库计算的方法使用记录的动态规划结果作为线性回归的特征，从而辅助其他计算。在旅行商问题和子集和问题上进行测试时，与独立解决每个问题相比，这种多路复用技术显示出更高的近似精度和更短的计算时间。研究结果提出了一个新的计算范式，其中多个过程可以有效地共享和重用中间结果和状态。
-
受大脑动力学启发的新的基于频率的储层计算
研究人员引入了一种新颖的、受大脑振荡动力学启发的基于频率的储层计算方法。该方法将储层建模为独立的振荡单元集合，每个单元都针对特定的输入频率进行调谐。与传统的随机储层不同，这个新框架能够选择性地放大和存储频率，从而提高了短期预测能力，并能够模拟复杂时空动力学。基于频率的储层在性能上可与现有随机储层相媲美或更优，并为机器学习任务提供了更具可解释性和可优化性的框架。
-
新框架揭示了信息在水库计算中的组织方式
研究人员开发了一个新的本征谱分解框架，以更好地理解信息如何在水库计算系统的状态空间内组织。该方法量化了逐度信息处理能力，并识别出有多少能力存在于易受噪声影响的低能模式中。研究结果表明，有效的水库计算不仅依赖于维度扩展，还依赖于任务相关信息的几何排列，这对构建物理水库计算机具有启示意义。
-
超顺磁储层在不同温度下实现稳定性能
研究人员开发了一种方法，以提高使用超顺磁纳米点集合的储层计算系统的温度稳定性。这些系统在低能耗计算方面前景广阔，但通常对温度波动敏感。通过引入优化的纳米点尺寸异质性，可以在较宽的温度范围（5-35°C）内稳定这些储层的性能，而不会显著影响最终性能。这一进展是使这些新型计算设备在实际应用中变得实用的关键一步。
-
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。