Относительно новый тип вычислений, имитирующий работу человеческого мозга, уже изменил подход ученых к решению некоторых из самых сложных проблем обработки информации.

Теперь исследователи нашли способ заставить то, что называется вычислением резервуаров, работать в 33 и даже в миллион раз быстрее, со значительно меньшим количеством вычислительных ресурсов и меньшим количеством необходимых вводимых данных.

Фактически, в одном из тестов этого резервуарного компьютера следующего поколения исследователи решили сложную вычислительную задачу менее чем за секунду на настольном компьютере.

При использовании современных технологий для решения той же проблемы требуется суперкомпьютер, и это по-прежнему занимает гораздо больше времени, напомнил Даниэль Готье, ведущий автор исследования и профессор физики в Университете штата Огайо.

«Мы можем выполнять очень сложные задачи по обработке информации за небольшое время, используя гораздо меньше компьютерных ресурсов по сравнению с тем, что в настоящее время могут делать вычислительные систем», — заявил г-н Готье. — И вычисление резервуаров уже получило значительные улучшения по сравнению с тем, что было возможно ранее».

Исследование было опубликовано 21 сентября 2021 года в журнале Nature Communications.

По словам Готье, вычисление резервуаров — это алгоритм машинного обучения, разработанный в начале 2000-х годов и используемый для решения «сложнейших из сложных» вычислительных задач, таких как прогнозирование эволюции динамических систем, которые меняются со временем.

Динамические системы, такие как погода, трудно предсказать, потому что всего одно небольшое изменение в одном состоянии может иметь огромные последствия в будущем.

Одним из известных примеров является «эффект бабочки», в котором — в одной метафорической иллюстрации — изменения, вызванные взмахом крыльев бабочки, могут в конечном итоге повлиять на погоду несколько недель спустя.

Предыдущие исследования показали, что вычисление резервуаров хорошо подходит для изучения динамических систем и может давать точные прогнозы о том, как они будут вести себя в будущем, сказал г-н Готье.

Компьютер делает это с помощью искусственной нейронной сети, чем-то похожей на человеческий мозг. Ученые передают данные о динамической сети в «резервуар» случайно соединенных искусственных нейронов в сети. Сеть выдает полезную информацию, которую ученые могут интерпретировать и передавать обратно в сеть, создавая все более и более точный прогноз того, как система будет развиваться в будущем.

Чем крупнее и сложнее система и чем более точный прогноз требуется, тем шире должна быть сеть искусственных нейронов и тем больше вычислительных ресурсов и времени нужно для выполнения задачи.

Одна из проблем заключалась в том, что резервуар искусственных нейронов представляет собой «черный ящик», сообщил г-н Готье, и ученые точно не знали, что происходит внутри него, — они только знали, что он работает.

Искусственные нейронные сети, лежащие в основе вычислений резервуаров, основаны на математике, объяснил разработчик.

«Мы попросили математиков взглянуть на эти сети и спросить: «В какой степени все эти части механизма действительно необходимы? » — сказал он.

В своем исследовании Готье и его коллеги изучили этот вопрос и обнаружили, что вся вычислительная система резервуара может быть значительно упрощена, что значительно сократит потребность в вычислительных ресурсах и сэкономит время.

Они проверили свою концепцию на задаче прогнозирования, связанной с системой погоды, разработанной Эдвардом Лоренцем, чья работа привела к нашему пониманию эффекта бабочки.

Их вычисления резервуара следующего поколения стали явной победой над сегодняшним современным достижением в этой задаче прогнозирования Лоренца. В одном относительно простом моделировании, выполненном на настольном компьютере, новая система была в 33 раза быстрее, чем текущая модель.

Но когда целью была большая точность прогноза, вычисление запасов следующего поколения оказалось примерно в 1 миллион раз быстрее. И вычисления нового поколения достигли той же точности, располагая всего 28 нейронами, по сравнению с 4000, необходимыми для модели текущего поколения, указал Готье.

Важная причина ускорения заключается в том, что «мозгу», стоящему за этим следующим поколением вычислений резервуаров, требуется гораздо меньше разминки и тренировок по сравнению с нынешним поколением, чтобы получить те же результаты.

Разминка — это учебные данные, которые необходимо добавить в качестве входных данных в компьютер резервуара, чтобы подготовить его к выполнению фактической задачи.

«Для наших вычислений резервуаров следующего поколения почти не требуется время прогрева», — объявил г-н Готье. — В настоящее время ученым приходится вводить 1000, или 10 000 точек данных, или более, чтобы разогреть его. И это все данные, которые теряются, которые не нужны для реальной работы. Нам нужно ввести только одну, две или три точки данных».

И как только исследователи будут готовы обучить компьютер резервуара делать прогноз, опять же, в системе следующего поколения потребуется гораздо меньше данных.

В своем тестировании задачи прогнозирования Лоренца исследователи смогли получить те же результаты, используя 400 точек данных, что и в текущем поколении, полученном с использованием 5000 точек данных или более, в зависимости от требуемой точности.

«Интересно, что следующее поколение вычислений резервуаров берет то, что уже было очень хорошим, и делает его значительно более эффективным», — сказал Готье.

Он и его коллеги планируют расширить эту работу для решения еще более сложных вычислительных задач, таких как прогнозирование динамики жидкости.

«Это невероятно сложная проблема, которую необходимо решить. Мы хотим посмотреть, сможем ли ускорить процесс решения этой задачи, используя нашу упрощенную модель вычисления запасов».

Соавторами исследования были Эрик Болт, профессор электротехники и вычислительной техники в Университете Кларксона; Аарон Гриффит, получивший докторскую степень по физике в штате Огайо; и Вендсон Барбоза, аспирант-исследователь в области физики в штате Огайо.

Работа была поддержана Военно-воздушными силами США, Исследовательским управлением армии и Агентством перспективных исследовательских проектов Министерства обороны.

Источник: https://www.sciencedaily.com/releases/2021/09/210921081010.htm

от AI_NEWS

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *