Forscher haben kürzlich einen Weg gefunden, die Reservoirberechnung millionenfach schneller zu machen, wobei deutlich weniger Rechenressourcen und weniger Dateneingabe erforderlich sind.
Tatsächlich haben Forscher in einem Test des Reservoir-Computings der nächsten Generation ein komplexes Rechenproblem in weniger als einer Sekunde gelöst.
„Mit der heutigen Technologie erfordert die Lösung desselben Problems einen Supercomputer und dauert immer noch viel länger“, sagte Daniel Gauthier, Hauptautor der Studie und Professor für Physik an der Ohio State University.
„Wir können sehr komplexe Informationsverarbeitungsaufgaben in einem Bruchteil der Zeit ausführen und dabei viel weniger Rechenressourcen verbrauchen als das, was Reservoir-Computing derzeit leisten kann“, fügte Daniel hinzu.
„Und Reservoir Computing war bereits eine deutliche Verbesserung gegenüber dem, was bisher möglich war.“
Reservoir Computing basiert auf neuronalen Netzen, bei denen es sich um maschinelle Lernsysteme handelt, die darauf trainiert sind, Muster in großen Datenmengen zu finden, und die der Funktionsweise des Gehirns nachempfunden sind. Wenn einem neuronalen Netzwerk beispielsweise 1.000 Fotos einer Katze präsentiert werden, sollte es jedes Mal eines davon erkennen, wenn es auftaucht.
Die Details der Reservoirberechnung sind sehr anspruchsvoll. Zunächst geben Wissenschaftler Daten in ein „Reservoir“ ein, in dem Datensätze auf vielfältige Weise verknüpft sind. Anschließend werden die Daten aus dem Repository abgerufen, ausgewertet und wieder in den Lernprozess eingeführt.
„Der Pool künstlicher Neuronen ist eine Black Box“, sagte Gauthier, und Wissenschaftler wissen nicht genau, was darin passiert, sie wissen nur, dass es funktioniert.
Laut einer aktuellen Studie kann die Beseitigung von Zufälligkeiten auf Lagercomputern deren Effizienz verbessern. Es wurden Untersuchungen durchgeführt, um herauszufinden, welche Komponenten eines Reservoircomputers für seinen Betrieb von entscheidender Bedeutung sind. Das Entfernen unnötiger Bits verkürzt die Verarbeitungszeit.
Die Studie ergab, dass eine „Aufwärmphase“, in der das neuronale Netzwerk Trainingsdaten erhält, um es auf die jeweilige Aufgabe vorzubereiten, unnötig ist. Hier machte das Forschungsteam erhebliche Fortschritte.
„Für unser Reservoir-Computing der nächsten Generation ist fast keine Aufwärmzeit erforderlich“, sagt Gauthier.
„Derzeit müssen Wissenschaftler 1.000 oder 10.000 Datenpunkte oder mehr eingeben, um es aufzuwärmen. Und das sind alle Daten, die verloren gehen, die für die eigentliche Arbeit nicht notwendig sind. Wir müssen nur einen, zwei oder drei Datenpunkte eingeben.“
Abhängig von den Daten erwies sich der neue Ansatz als zwischen 33 und 163 Mal schneller. Als jedoch das Ziel geändert wurde, um die Genauigkeit zu maximieren, war das neue Modell eine Million Mal schneller.
Dieses hocheffiziente neuronale Netzwerk steht gerade erst am Anfang und seine Entwickler beabsichtigen, es in Zukunft mit viel anspruchsvolleren Aufgaben zu testen.
„Das Spannende ist, dass diese nächste Generation des Reservoir-Computing das, was bereits sehr gut war, deutlich effizienter macht“, sagt Gauthier.
Die Forschung wurde veröffentlicht in Naturkommunikation.
