一种模拟人脑工作方式的相对较新的计算类型已经改变了科学家解决一些最困难的信息处理问题的方式。

现在，研究人员已经找到了一种方法，可以使所谓的储层计算工作速度提高 33 到 100 万倍，而且所需的计算资源和数据输入要少得多。

事实上，在对这种下一代储层计算的一次测试中，研究人员在台式计算机上不到一秒钟就解决了一个复杂的计算问题。

该研究的主要作者、俄亥俄州立大学物理学教授 Daniel Gauthier 说，使用目前最先进的技术，同样的问题需要一台超级计算机来解决，而且仍然需要更长的时间。

Gauthier 说：“与储层计算目前所能做的相比，我们可以在很短的时间内使用更少的计算机资源来执行非常复杂的信息处理任务。”

“而且储层计算已经是对以前可能的显着改进。”

该研究今天发表在《自然通讯》杂志上。

Gauthier 说，水库计算是一种在 2000 年代初期开发的机器学习算法，用于解决“最难的”计算问题，例如预测随时间变化的动力系统的演变。

他说，动力系统，比如天气，很难预测，因为在一种情况下，只要发生一个微小的变化，就会产生巨大的影响。

一个著名的例子是“蝴蝶效应”，在一个比喻中，蝴蝶扇动翅膀所产生的变化最终会影响几周后的天气。

Gauthier 说，先前的研究表明，储层计算非常适合学习动力系统，并且可以准确预测它们未来的行为。

它通过使用人工神经网络来做到这一点，有点像人脑。科学家将动态网络上的数据输入到网络中随机连接的人工神经元的“库”中。该网络产生有用的输出，科学家可以解释这些输出并将其反馈到网络中，从而对系统未来的发展方式进行越来越准确的预测。

系统越大越复杂，科学家希望预测越准确，人工神经元网络就必须越大，完成任务所需的计算资源和时间就越多。

一个问题是人工神经元的储存库是一个“黑匣子”，Gauthier 说，科学家们并不确切知道里面发生了什么——他们只知道它有效。

Gauthier 解释说，油藏计算核心的人工神经网络是建立在数学基础上的。

“我们让数学家查看这些网络并询问，'机器中的所有这些部件在多大程度上真正需要?'”他说。

在这项研究中，Gauthier 和他的同事调查了这个问题，发现整个储层计算系统可以大大简化，大大减少对计算资源的需求并节省大量时间。

他们在一项涉及由 Edward Lorenz 开发的天气系统的预测任务中测试了他们的概念，他的工作使我们了解了蝴蝶效应。

他们的下一代储层计算在这项洛伦兹预测任务中明显胜过当今最先进的技术。在台式计算机上进行的一项相对简单的模拟中，新系统比当前模型快 33 到 163 倍。

但是，当目标是提高预测的准确性时，下一代储层计算速度大约快 100 万倍。Gauthier 说，与当前一代模型所需的 4,000 个神经元相比，新一代计算只需 28 个神经元即可实现相同的精度。

加速的一个重要原因是，与当前一代相比，下一代储层计算背后的“大脑”需要更少的预热和训练才能产生相同的结果。

预热是训练数据，需要将其作为输入添加到储层计算机中，以便为实际任务做好准备。

“对于我们的下一代储层计算，几乎不需要升温时间，”Gauthier 说。

“目前，科学家必须输入 1,000 或 10,000 个或更多数据点来预热。这就是丢失的所有数据，实际工作不需要。我们只需要输入一两个或三个数据点，“ 他说。

一旦研究人员准备好训练水库计算机进行预测，下一代系统需要的数据也会少得多。

在他们对洛伦兹预测任务的测试中，研究人员可以使用 400 个数据点获得与当前使用 5,000个或更多数据点产生的结果相同的结果，具体取决于所需的准确性。

Gauthier 说：“令人兴奋的是，下一代储层计算采用了已经非常好的技术并使其效率显着提高。”

他和他的同事计划扩展这项工作以解决更困难的计算问题，例如预测流体动力学。

“这是一个非常难以解决的问题。我们想看看我们是否可以使用我们简化的储层计算模型来加快解决该问题的过程。”

该研究的合著者是克拉克森大学电气和计算机工程教授 Erik Bollt;Aaron Griffith，他获得了博士学位。俄亥俄州立大学物理学博士;以及俄亥俄州立大学物理学博士后研究员温德森·巴博萨 (Wendson Barbosa)。