Reservoir Computing, ein maschineller Lernalgorithmus, der die Funktionsweise des menschlichen Gehirns nachahmt, revolutioniert die Art und Weise, wie Wissenschaftler die komplexesten Datenverarbeitungsherausforderungen bewältigen, und jetzt, Forscher haben eine neue Technik entdeckt Dadurch kann es bei bestimmten Aufgaben bis zu einer Million Mal schneller werden, während bei viel weniger Rechenressourcen mit weniger Dateneingaben verwendet werden.
Mit der Technik der nächsten Generation konnten die Forscher ein komplexes Rechenproblem in weniger als einer Sekunde auf einem Desktop-Computer lösen – und diese allzu komplexen Probleme, wie die Vorhersage der Entwicklung dynamischer Systeme wie Wetter, die sich im Laufe der Zeit ändern, sind genau der Grund, warum Reservoir Computing in den frühen 2000er Jahren entwickelt wurde.
Diese Systeme können extrem schwer vorherzusagen sein, mit dem " Schmetterlingseffekt" ist ein bekanntes Beispiel. Das Konzept, das eng mit der Arbeit des Mathematikers und Meteorologen Edward Lorenz verbunden ist, beschreibt im Wesentlichen, wie ein mit den Flügeln flatternder Schmetterling Wochen später das Wetter beeinflussen kann. Reservoir Computing eignet sich gut zum Lernensolche dynamischen Systeme und können genaue Vorhersagen über ihr zukünftiges Verhalten liefern; je größer und komplexer das System ist, desto mehr Rechenressourcen, ein Netzwerk künstlicher Neuronen und mehr Zeit werden jedoch benötigt, um genaue Vorhersagen zu erhalten.
Die Forscher wissen jedoch nur, wie das Reservoir-Computing funktioniert, nicht was im Inneren vor sich geht. Die künstlichen neuronalen Netze im Reservoir-Computing sind auf der Mathematik aufgebaut, und es scheint, dass das gesamte System, das für einen effizienteren Betrieb erforderlich ist, eine Vereinfachung war. Ein Forscherteamunter der Leitung von Daniel Gauthier, Hauptautor der Studie und Professor für Physik an der Ohio State University, war in der Lage, genau das zu tun, indem der Bedarf an Computerressourcen drastisch reduziert und viel Zeit gespart wurde.
Als das Konzept bei einer Vorhersageaufgabe auf die Probe gestellt wurde, stellte sich heraus, dass die Reservoir-Computing-Technik der nächsten Generation anderen deutlich überlegen war, so die in der Zeitschrift veröffentlichte StudieNaturkommunikation.
Je nach Datenlage erwies sich der neue Ansatz als 33 bis 163 mal schneller. Als jedoch das Arbeitsziel zugunsten der Genauigkeit geändert wurde, war das neue Modell 1 Million mal schneller. Diese Geschwindigkeitssteigerung wurde durch die Tatsache ermöglichtdass das Reservoir-Computing der nächsten Generation weniger Aufwärmen und Training erfordert als frühere Generationen.
"Für unser Reservoir-Computing der nächsten Generation ist fast keine Aufwärmzeit erforderlich", erklärte Gauthier, in einer Pressemitteilung. "Derzeit müssen Wissenschaftler 1.000 oder 10.000 Datenpunkte oder mehr eingeben, um sie aufzuwärmen. Und das sind alle Daten, die verloren gehen, die für die eigentliche Arbeit nicht benötigt werden. Wir müssen nur ein oder zwei oder mehr eingeben"drei Datenpunkte."
Außerdem konnte die neue Technik die gleiche Genauigkeit mit nur 28 Neuronen erreichen, im Gegensatz zu den 4.000, die das Modell der aktuellen Generation benötigt.
"Das Spannende daran ist, dass diese nächste Generation des Reservoir Computing das, was bereits sehr gut war, deutlich effizienter macht", sagte Gauthier. Und es sieht so aus, als wäre dies erst der Anfang. Die Forscher planen, das supereffiziente Neuron zu testenin Zukunft gegen schwierigere Aufgaben vernetzen, die Arbeit auf noch komplexere Computerfragen ausdehnen, z. B. Strömungsprognosen.
"Das ist ein unglaublich schwierig zu lösendes Problem", sagte Gauthier. "Wir wollen sehen, ob wir den Lösungsprozess dieses Problems mit unserem vereinfachten Modell des Reservoir-Computing beschleunigen können."