文章提交注意事项:
请在发布文章时用HTML代码加上至少一条新闻来源的链接;原创性消息,可加入相关信息(如涉及公司的网址)的链接。有任何问题,邮件至:he.fang#zhiding.cn
ken:feigaobox@gmail.com
注意:收到邮件乱码的用户请修改客户端的默认字体编码,从"简体中文(GB2312)"修改为"Unicode(UTF-8)"。
solidot新版网站常见问题,请点击这里查看。
Solidot 公告
投 票
热门文章
热门评论
- (1 points, 一般) by solidot1563266937 在 2024年03月02日08时20分 星期六 评论到 美国总统称中国联网汽车有国家安全风险
- You either die a hero (1 points, 一般) by lot 在 2024年02月29日13时34分 星期四 评论到 空气污染与严重痴呆症相关
- 只是从众 (1 points, 一般) by scottcgi 在 2024年02月27日00时40分 星期二 评论到 共情能传播,人能通过观察环境和其他人获得或失去同情心
- 有误 (1 points, 一般) by 陈少举 在 2024年02月23日10时04分 星期五 评论到 Google 暂停了 Gemini 的图像生成功能
- (1 points, 一般) by mirus 在 2024年02月22日14时34分 星期四 评论到 美国阿拉巴马州最高法院裁决冷冻胚胎是“儿童”
- 应该是137光年 (1 points, 一般) by solidot1707403802 在 2024年02月08日22时50分 星期四 评论到 NASA 在 137 亿光年外发现一颗位于宜居带的超级地球
- 过几天发现火星有史前人类 (1 points, 一般) by solidot1545298383 在 2024年01月24日16时23分 星期三 评论到 火星赤道下发现蕴藏两米厚的水冰
- 再等几年可控核聚变发展起来了氦气就成副产品了 (1 points, 一般) by 0nin 在 2024年01月23日12时55分 星期二 评论到 氦气是一种难以回收不可更新的重要材料
- 这新闻质量太差了吧 (1 points, 一般) by solidot1704555208 在 2024年01月06日23时34分 星期六 评论到 2024 年的 Linux 内核和开源社区展望
- 资本主义、房地产金融化是生育率的敌人 (1 points, 一般) by jerry 在 2024年01月03日15时54分 星期三 评论到 日本 18 岁人口数 106 万创新低
一种相对较新、能够模拟人脑工作方式的计算类型,正在改变科学家解决某些高难度信息处理问题的方式。研究人员现在找到了一种方法,能将所谓储备池计算(Reservoir Computing )的工作速度提高 33 到 100 万倍,大幅削减所需的计算资源与数据输入量。在下一代储备池计算的测试中,研究人员不到一秒内就在台式机上解决了一个复杂计算问题。这项研究的主要作者、俄亥俄州立大学物理学教授 Daniel Gauthier 表示,即使使用目前最先进的技术,同样的问题也需要在超级计算机上耗费更长时间才能解决。研究报告发表在《自然通讯》杂志上。
Gauthier 解释道,储备池计算是一种出现于 2000 年代初的机器学习算法,用于解决“最困难的”计算问题,例如预测动力系统随时间推移产生的演变。Gauthier 表示,之前的研究表明,储备池计算非常适合学习动力系统、够准确预测它们的未来行为。储备池计算通过人工神经网络实现这一目标,整个处理过程与人脑类似。科学家将动态网络上的数据输入到网络内随机连接的人工神经元“储备池”中,再由科学家将该网络产生的有用输出馈送回网络,由此建立起一套越来越准确的系统发展预测模型。系统体量越大、复杂度也就越高,科学家要想得到更准确的预测结果,就必须使用更大的人工神经元网络——由此占用的计算资源与时间自然就更多。
在这项研究中,Gauthier 和他的同事发现可以对整个储备池计算系统进行大幅简化,从而显著削减对于计算资源的需求、缩短处理时长。他们选择在由 Edward Lorenz 开发的天气预测系统中测试了他们的概念,即尝试分析蝴蝶效应的发生过程。在这项预测任务中,他们的下一代储备池计算明显胜过当前最先进的技术。在台式机上完成的一项相对简单的模拟当中,新系统比现有模型快 33 至 163 倍。而在强调提高预测准确性后,下一代储备池计算的速度则快了约 100 万倍。Gauthier 表示,与上一代模型所需要的 4000 个神经元相比,新一代计算方法只需要 28 个神经元就能实现相同的精度。另一个实现良好加速效果的原因,在于下一代储备池计算背后的“大脑”对于预热及训练的依赖性较上代方案也有大幅降低。所谓预热,是指将训练数据输入添加到储备池计算机内,借此为实际任务做好准备。
Gauthier 解释道,储备池计算是一种出现于 2000 年代初的机器学习算法,用于解决“最困难的”计算问题,例如预测动力系统随时间推移产生的演变。Gauthier 表示,之前的研究表明,储备池计算非常适合学习动力系统、够准确预测它们的未来行为。储备池计算通过人工神经网络实现这一目标,整个处理过程与人脑类似。科学家将动态网络上的数据输入到网络内随机连接的人工神经元“储备池”中,再由科学家将该网络产生的有用输出馈送回网络,由此建立起一套越来越准确的系统发展预测模型。系统体量越大、复杂度也就越高,科学家要想得到更准确的预测结果,就必须使用更大的人工神经元网络——由此占用的计算资源与时间自然就更多。
在这项研究中,Gauthier 和他的同事发现可以对整个储备池计算系统进行大幅简化,从而显著削减对于计算资源的需求、缩短处理时长。他们选择在由 Edward Lorenz 开发的天气预测系统中测试了他们的概念,即尝试分析蝴蝶效应的发生过程。在这项预测任务中,他们的下一代储备池计算明显胜过当前最先进的技术。在台式机上完成的一项相对简单的模拟当中,新系统比现有模型快 33 至 163 倍。而在强调提高预测准确性后,下一代储备池计算的速度则快了约 100 万倍。Gauthier 表示,与上一代模型所需要的 4000 个神经元相比,新一代计算方法只需要 28 个神经元就能实现相同的精度。另一个实现良好加速效果的原因,在于下一代储备池计算背后的“大脑”对于预热及训练的依赖性较上代方案也有大幅降低。所谓预热,是指将训练数据输入添加到储备池计算机内,借此为实际任务做好准备。