\u201eWir k\u00f6nnen sehr komplexe Informationsverarbeitungsaufgaben in einem Bruchteil der Zeit ausf\u00fchren und dabei viel weniger Rechenressourcen verbrauchen als das, was Reservoir-Computing derzeit leisten kann\u201c, f\u00fcgte Daniel hinzu.<\/p>\n
\u201eUnd Reservoir Computing war bereits eine deutliche Verbesserung gegen\u00fcber dem, was bisher m\u00f6glich war.\u201c<\/p>\n
Reservoir Computing basiert auf neuronalen Netzen, bei denen es sich um maschinelle Lernsysteme handelt, die darauf trainiert sind, Muster in gro\u00dfen Datenmengen zu finden, und die der Funktionsweise des Gehirns nachempfunden sind. Wenn einem neuronalen Netzwerk beispielsweise 1.000 Fotos einer Katze pr\u00e4sentiert werden, sollte es jedes Mal eines davon erkennen, wenn es auftaucht.<\/p>\n Die Details der Reservoirberechnung sind sehr anspruchsvoll. Zun\u00e4chst geben Wissenschaftler Daten in ein \u201eReservoir\u201c ein, in dem Datens\u00e4tze auf vielf\u00e4ltige Weise verkn\u00fcpft sind. Anschlie\u00dfend werden die Daten aus dem Repository abgerufen, ausgewertet und wieder in den Lernprozess eingef\u00fchrt.<\/p>\n \u201eDer Pool k\u00fcnstlicher Neuronen ist eine Black Box\u201c, sagte Gauthier, und Wissenschaftler wissen nicht genau, was darin passiert, sie wissen nur, dass es funktioniert.<\/p>\n Laut einer aktuellen Studie kann die Beseitigung von Zuf\u00e4lligkeiten auf Lagercomputern deren Effizienz verbessern. Es wurden Untersuchungen durchgef\u00fchrt, um herauszufinden, welche Komponenten eines Reservoircomputers f\u00fcr seinen Betrieb von entscheidender Bedeutung sind. Das Entfernen unn\u00f6tiger Bits verk\u00fcrzt die Verarbeitungszeit.<\/p>\n Die Studie ergab, dass eine \u201eAufw\u00e4rmphase\u201c, in der das neuronale Netzwerk Trainingsdaten erh\u00e4lt, um es auf die jeweilige Aufgabe vorzubereiten, unn\u00f6tig ist. Hier machte das Forschungsteam erhebliche Fortschritte.<\/p>\n \u201eF\u00fcr unser Reservoir-Computing der n\u00e4chsten Generation ist fast keine Aufw\u00e4rmzeit erforderlich\u201c, sagt Gauthier.<\/p>\n \u201eDerzeit m\u00fcssen Wissenschaftler 1.000 oder 10.000 Datenpunkte oder mehr eingeben, um es aufzuw\u00e4rmen. Und das sind alle Daten, die verloren gehen, die f\u00fcr die eigentliche Arbeit nicht notwendig sind. Wir m\u00fcssen nur einen, zwei oder drei Datenpunkte eingeben.\u201c<\/p>\n Abh\u00e4ngig von den Daten erwies sich der neue Ansatz als zwischen 33 und 163 Mal schneller. Als jedoch das Ziel ge\u00e4ndert wurde, um die Genauigkeit zu maximieren, war das neue Modell eine Million Mal schneller.<\/p>\n Dieses hocheffiziente neuronale Netzwerk steht gerade erst am Anfang und seine Entwickler beabsichtigen, es in Zukunft mit viel anspruchsvolleren Aufgaben zu testen.<\/p>\n \u201eDas Spannende ist, dass diese n\u00e4chste Generation des Reservoir-Computing das, was bereits sehr gut war, deutlich effizienter macht\u201c, sagt Gauthier.<\/p>\n<\/figure>\n
<\/figure>\n
<\/figure>\n