May, 2023

使用多功能储水池计算机进行双重识别

PDF
TL;DR该研究探讨了多功能生物神经网络如何利用多稳定性执行多个任务，并研究了如何在人工神经网络中实现多稳定性以实现多个任务的性能，其中每个任务都与网络状态空间中的特定吸引子相关。该研究提出了 “看双重” 问题，并发现多功能性存在临界依赖于适当的内部网络连接的谱半径选择。通过分叉分析，研究表明在 RC 进入导致混沌漫游的混沌区域时，多功能性如何出现和破坏。
multistabilityartificial neural networkreservoir computerseeing double problembifurcation analysis
发现论文，激发创造
  • 基于连接组成的水库计算机的多功能性

    通过将果蝇侧角 connectome 移植到储水池计算机中，研究储水池计算机中是否存在多功能性，并使用 “双倍看见” 问题作为基准测试，研究如何实现多功能性。结果表明，与 Erd"os-Renyi Reservoir Computer 相比，该储水池计算机具有更大的多功能性能力，可以解决以前观察到的光谱半径极限之外的问题。

    Jun, 2023

  • 利用小容器重构混沌吸引子 —— 拓扑的影响

    基于测量数据进行时间序列预测在广泛的应用中都是必须的，并且已经成为了广泛研究的主题。近年来，蓄水池计算已被证明是一种有效的方法，用于预测混沌动力学和从数据中重建混沌吸引子。本研究通过减小蓄水池的规模和复杂性，以提高硬件可操作性并更可靠地生产足够的替代模型。研究表明，与复杂的蓄水池拓扑相比，无耦合节点的蓄水池更可靠地产生长期时间序列预测。然后，我们将无耦合蓄水池的改进吸引子重建与所得替代系统的较小谱半径相连接。这些结果表明，节点度在确定所期望的动力学是否稳定于训练蓄水池的闭环操作中的自主替代系统中起着重要作用。就硬件可操作性而言，无耦合节点将允许在硬件架构中具有更大的自由度，因为不需要复杂的耦合设置，并且由于无耦合节点，系统响应对于空间和时间多路复用是等效的。

    Feb, 2024

  • 机器学习推断电力系统吸引盆地

    提出了一种基于平衡库容计算的机器学习技术，通过测量数据推断典型电力系统中引起运行中断的吸引盆地，并证明该技术可以准确预测系统是否能在大幅度随机扰动后返回到功能状态，同时还可以用于推断典型混沌系统中的吸引子。

    May, 2023

  • 兴奋 / 抑制平衡作为 RBN 性能的关键因素出现，超越吸引子动力学

    通过研究随机布尔网络的动力学吸引子的统计量，我们发现正的兴奋性平衡可产生具有较高记忆性能的临界点，而负的抑制性平衡则提供了具有更好预测性能的另一个临界点，并且有趣的是，固有的吸引子动力学对两种情况的性能几乎没有影响。

    Aug, 2023

  • 深度时间延迟库隆算法：动态和存储容量

    使用深度时滞水库计算的方法，通过分析条件 Lyapunov 指数和系统到分岔点的距离，调节线性和非线性记忆容量的分布，得出了高非线性或长时间线性记忆容量的系统设计。

    Jun, 2020

  • 关于蓄水池计算及其超越传统机器学习的跨学科应用的调查

    储备计算（RC）是一种递归神经网络，通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力，可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学，可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾，包括模型、应用和脑机制的建模，并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。

    Jul, 2023

  • 机器学习实现的吸引子重构

    利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。

    May, 2018

  • 基于电生理数据的神经元相互作用映射和预测的储备计算模型

    用电生理测量数据构建了计算模型，基于储水池计算网络（Reservoir Computing Network，RCN）架构，通过预测网络连接性地图和局部刺激的网络响应来重构神经元网络结构。

    Nov, 2023

  • 基于孤立波和生物灵感非线性变换的物理储层计算

    利用表面流动液膜上激发的孤立波，实验证明一种物理上的储备计算系统，该系统通过对输入数据进行非线性转换来替代随机性的影响，从而作为传统储备计算算法的技术简单的硬件改进。

    Jan, 2024

  • 多尺度储备计算学习噪声诱导的转变

    利用噪声驱动的转换现象的机器学习模型，储层计算（一种递归神经网络）能够学习噪声引起的系统状态转换，通过调整关键的超参数，包括储层动力学的时间尺度，生成准确的转换时间和数量的统计数据，适用于多种系统和蛋白质折叠实验数据，表明机器学习方法可以捕捉噪声引发的现象。

    Sep, 2023