May, 2024

随机储层计算机

PDF
TL;DR该论文研究了随机库容计算机的普适性，证明了具有随机特性的库容计算机是一种普遍的逼近类，并通过两个实际应用示例展示了其在分类和混沌时间序列预测方面相对确定性库容计算机的高性能。
发现论文，激发创造
  • 离散时间特征和储备计算的随机性

    本文提出了新的几何解释，解释了库沃塞蓝计算的现象，将其构建为强普适性水库系统；随机投影所有状态空间系统的家族，以产生 Volterra 级数扩展，生成随机系数的状态仿射水库系统能够通过为每个不同的滤波器训练一个不同的线性输出来近似任何消退存储过滤器类中的元素。

    Sep, 2020

  • 物理库容计算的最新进展：综述

    该综述通过将物理沉积池按类型分类，概述了近期物理沉积池计算的进展，并讨论了与物理沉积池计算相关的当前问题和前景，以进一步扩展其实际应用和开发下一代机器学习系统。

    Aug, 2018

  • 无限维储水池计算

    提出了一种基于无限维状态空间系统积分表示的读出特性的新概念类，它具有较强的实用性和通用近似性质，其中利用了随机生成的线性或 ReLU 激活函数的回声状态网络，并以仅训练输出层的随机神经网络为基础构建读出模型，所得到的结果是具有证明收敛性保证的可全面实现的递归神经网络学习算法，不受维度灾难影响。

    Apr, 2023

  • 使用测量控制的量子动力学进行储备计算

    我们引入了一种量子 RC 系统，利用共振腔中的受探测原子的动力学，提出的量子储层可以使用较少的人工神经元进行快速可靠的预测，理论上验证了储层的操作并展示了在计算和能源资源有限的条件下使用近似计算方法进行可行预测的潜力。

    Mar, 2024

  • 使用机器学习控制动态系统达到复杂目标状态：下一代与经典的储层计算

    应用机器学习控制混沌参数 Lorenz 系统，研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算，并在实际控制应用中具有进一步潜力。

    Jul, 2023

  • 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

  • 利用储层计算机预测和防止极端事件

    本研究证明，水库计算机是一种有效的无模型预测确定性混沌系统中极端事件的工具。通过在预期极端事件之前的某些时刻对系统施加弱控制扰动，我们可以抑制不良的极端事件。本文在全球耦合的 FitzHugh-Nagumo 神经元系统和两个几乎相同的单向耦合混沌振荡器系统中展示了这种预测和预防策略的有效性。

    Feb, 2020

  • 利用合成活性微粒进行物理储层计算

    用合成主动微粒系统进行物理储水池计算，其中自组织和噪音抑制起到关键作用。

    Jul, 2023

  • 基于蓄水池计算的概率负荷预测

    应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。

    Aug, 2023

  • 储层计算基准：评述、分类和最佳实践

    评估方法、基准任务和计算能力是无常规计算的沉积模型中的关键研究领域，对于这些系统的评估具有挑战性。本文回顾和批评了 Reservoir Computing 领域中使用的评估方法，提出了一种基准任务分类，回顾了多个应用于 Reservoir Computing 的基准任务的例子，并指出了其优缺点。我们提出了改进基准任务及其使用方式以造福 Reservoir Computing 社区的建议。

    May, 2024