Резервуарне обчислення

Резервуа́рне обчи́слення (англ. reservoir computing) — це система обчислення, яку можна розглядати як розширення нейронних мереж.^[1] Як правило, входовий сигнал подається до незмінної (випадкової) динамічної системи, що називають резервуаром (англ. reservoir), і динаміка резервуара відображує вхід до вищого виміру. Потім простий механізм зчитування (англ. readout) тренують читати стан резервуару й відображувати його на бажаний вихід. Головна перевага полягає в тім, що тренування виконується лише на стадії зчитування, а резервуар є незмінним. Двома основними типами резервуарних обчислень є рідкі скінченні автомати^[2] та мережі з відлунням стану.^[3][4]

Резервуарне обчислення — це найкращий у своєму класі алгоритм машинного навчання для обробки інформації, створеної динамічними системами, використовуючи спостережувані часові ряди даних. Важливо те, що він вимагає дуже малих наборів даних для навчання, використовує лінійну оптимізацію, а отже, вимагає мінімальних обчислювальних ресурсів. Однак алгоритм використовує матриці випадкової вибірки для визначення базової рекурентної нейронної мережі та має безліч метапараметрів, які необхідно оптимізувати. Останні результати демонструють еквівалентність обчислення пластів нелінійній векторній авторегресії, яка не вимагає випадкових матриць, потребує меншої кількості метапараметрів і забезпечує результати, які можливо інтерпретувати. Нелінійна векторна авторегресія відмінно справляється з контрольними завданнями обчислення пластів і вимагає ще коротших наборів даних для навчання та часу навчання, проголошуючи наступне покоління обчислень для пластів.^[5]

Резервуар складається з зібрання рекурентно з'єднаних вузлів. Структура зв'язності, як правило, є випадковою, а вузли, як правило, є нелінійними. Загальна динаміка резервуара задається його входом, а також залежить від минулого. Багате зібрання динамічних відображень входів-виходів є вирішальною перевагою над простими нейронними мережами з часовою затримкою.

Зчитування здійснюється із застосуванням лінійного перетворення виходу резервуару. Це перетворення підлаштовують до потрібної задачі, застосовуючи лінійну або гребеневу регресію з використанням навчального сигналу.

Раннім прикладом резервуарних обчислень була контекстно-ревербераційна мережа (англ. context reverberation network).^[6] В цій архітектурі входовий шар подається до динамічної системи високої розмірності, яку читають тренованим одношаровим перцептроном. Було описано два види динамічних систем: рекурентна нейронна мережа з незмінними випадковими вагами, і неперервна реакційно-дифузна система^[en], натхнена моделлю морфогенезу Алана Тюрінга. У тренованому шарі перцептрон пов'язує поточний вхід із сигналами, які реверберують у динамічній системі; про останню казали, що вона забезпечує динамічний «контекст» для входів. Мовою пізніших праць, реакційно-дифузна система слугувала резервуаром.

Зворотне поширення — декореляція (ЗПДК, англ. backpropagation-decorrelation, BPDC)

Модель деревної мережі з відлунням стану (англ. Tree Echo State Network, TreeESN)^[7] являє собою узагальнення системи резервуарного обчислення для деревно структурованих даних.

Досліджується апаратний підхід штучного інтелекту, який використовує адаптивне резервуарне обчислення біологічних нейронних мереж в мозкових органоїдах. У цьому підході, який називається Brainoware, обчислення виконуються шляхом надсилання та отримання інформації від органоїда мозку за допомогою матриці мікроелектродів^[en] високої щільності. Застосовуючи просторово-часову електричну стимуляцію, досягається нелінійна динаміка та властивості запам’ятовування, а також неконтрольоване навчання на основі тренувальних даних шляхом зміни функціональних зв’язків в органоїдах. Був продемонстрований практичний потенціал цієї методики, використовуючи її для розпізнавання мовлення та прогнозування нелінійних рівнянь у системі резервуарних обчислень.^[8]

Резервуарні обчислення з їх унікальною архітектурою та адаптивною природою знаходять широке застосування в різних сферах, революціонізуючи спосіб вирішення складних завдань. Його здатність ефективно обробляти інформацію призвела до ефективних застосувань у кількох сферах^[9][10]:

• Розпізнавання мовлення: Забезпечення точної транскрипції розмовної мови, сприяння роботі віртуальних помічників і голосових систем.^[11][12]
• Обробка зображень і відео: сприяння розпізнаванню об’єктів, розуміння сцени та аналізу відео в програмах реального часу.^[13][14]
• Бездротовий зв'язок: покращення обробки сигналу в системах бездротового зв'язку для кращої передачі та прийому даних.^[15]

• Фінансові ринки: прогнозування коливань фондового ринку та тенденцій для прийняття обґрунтованих інвестиційних рішень.^[16][17][18]
• Прогноз погоди: Надання точних прогнозів погоди шляхом аналізу історичних моделей даних.^[19][20][21]
• Прогнозування попиту на енергію: Прогнозування попиту на енергію для ефективного розподілу ресурсів в електромережах.^[22]

• Моніторинг здоров’я: аналіз медичних даних для діагностики захворювань, спостереження за пацієнтами та персоналізованого медичного обслуговування.^[23][24]
• Нейрокомп'ютерні інтерфейси: сприяння зв’язку між мозком і зовнішніми пристроями.^[25][26]

• Розумні електромережі: управління та оптимізація розподілу електроенергії в розумних мережах, забезпечення ефективного використання енергії.^[27][28]
• Управління дорожнім рухом: оптимізація транспортного потоку та зменшення заторів шляхом аналізу даних датчиків руху в реальному часі.^[29]

• Мовний переклад: удосконалення систем машинного перекладу для точного перекладу з урахуванням контексту.^[30]
• Аналіз настроїв: аналіз настроїв у текстових даних для дослідження ринку та аналізу відгуків клієнтів.^[31]

• Моделювання клімату: допомога в моделюванні клімату та аналізі складних даних про навколишнє середовище.^[21]
• Фізика елементарних частинок: аналіз величезної кількості даних, отриманих за допомогою прискорювачів елементарних частинок і експериментів.^[32]

• Виявлення аномалій: виявлення аномалій у мережевому трафіку та шаблонах для запобігання кіберзагрозам і атакам.^[33]
• Системи виявлення вторгнень: удосконалення систем безпеки для раннього виявлення та пом’якшення загроз.^[33]

• Глибоке навчання
• Машини екстремального навчання

• Reservoir Computing using delay systems, Nature Communications 2011
• Optoelectronic Reservoir Computing, Scientific Reports February 2012
• Optoelectronic Reservoir Computing, Optics Express 2012
• All-optical Reservoir Computing, Nature Communications 2013
• Memristor Models for Machine learning, Neural Computation 2014 arxiv

• Nakajima Kohei; Fischer Ingo, ред. (2021). Reservoir computing: theory, physical implementations, and applications. Natural computing series. Singapore: Springer Nature. ISBN 978-981-13-1686-9.

• Gauthier, Daniel J.; Bollt, Erik; Griffith, Aaron; Barbosa, Wendson A. S. (21 вересня 2021). Next generation reservoir computing. Nature Communications (англ.) 12 (1). с. 5564. ISSN 2041-1723. doi:10.1038/s41467-021-25801-2.
• Tanaka, Gouhei; Yamane, Toshiyuki; Héroux, Jean Benoit; та ін. (1 липня 2019). Recent advances in physical reservoir computing: A review. Neural Networks 115. с. 100–123. ISSN 0893-6080. doi:10.1016/j.neunet.2019.03.005.