Ученые разрабатывают следующее поколение пластовых вычислений

Теперь исследователи нашли способ заставить так называемые пластовые вычисления работать от 33 до миллиона раз быстрее, со значительно меньшими вычислительными ресурсами и меньшим объемом вводимых данных.

Фактически, в одном тесте этого нового поколения пластовых вычислений исследователи решили сложную вычислительную задачу менее чем за секунду на настольном компьютере.

По словам Дэниела Готье, ведущего автора исследования и профессора физики в Университете штата Огайо, при использовании современной современной технологии для решения той же проблемы требуется суперкомпьютер, и на это уходит гораздо больше времени.

«Мы можем выполнять очень сложные задачи обработки информации за короткий промежуток времени, используя гораздо меньше компьютерных ресурсов по сравнению с тем, что в настоящее время могут выполнять вычисления резервуаров», — сказал Готье.

«И расчет резервуаров уже стал значительным улучшением того, что было возможно раньше».

Исследование было опубликовано сегодня в журнале. Nature Communications.

По словам Готье, резервуарные вычисления — это алгоритм машинного обучения, разработанный в начале 2000-х годов и используемый для решения «самых сложных из сложных» вычислительных задач, таких как прогнозирование эволюции динамических систем, которые меняются с течением времени.

По его словам, динамические системы, такие как погоду, трудно предсказать, потому что всего одно небольшое изменение в одном условии может иметь серьезные последствия.

Одним из известных примеров является «эффект бабочки», в котором — в одной метафорической иллюстрации — изменения, вызванные взмахом крыльев бабочки, могут в конечном итоге повлиять на погоду через несколько недель.

Предыдущие исследования показали, что вычисления резервуаров хорошо подходят для изучения динамических систем и могут дать точные прогнозы о том, как они будут себя вести в будущем, сказал Готье.

Он делает это с помощью искусственной нейронной сети, похожей на человеческий мозг. Ученые загружают данные из динамической сети в «резервуар» случайно связанных искусственных нейронов в сети. Сеть дает полезный результат, который ученые могут интерпретировать и передавать обратно в сеть, создавая все более и более точный прогноз того, как система будет развиваться в будущем.

Чем крупнее и сложнее система и чем точнее, по мнению ученых, должен быть прогноз, тем больше должна быть сеть искусственных нейронов и тем больше вычислительных ресурсов и времени требуется для выполнения задачи.

Одна проблема заключалась в том, что резервуар искусственных нейронов — это «черный ящик», сказал Готье, и ученые не знали точно, что происходит внутри него — они только знают, что это работает.

Готье объяснил, что искусственные нейронные сети, лежащие в основе вычислений резервуаров, построены на математике.

«Мы попросили математиков взглянуть на эти сети и спросить:« В какой степени все эти части оборудования действительно необходимы? »- сказал он.

В этом исследовании Готье и его коллеги исследовали этот вопрос и обнаружили, что всю вычислительную систему резервуара можно значительно упростить, что резко снизит потребность в вычислительных ресурсах и значительно сэкономит время.

Они проверили свою концепцию на задаче прогнозирования с использованием погодной системы, разработанной Эдвардом Лоренцем, работа которого привела к нашему пониманию эффекта бабочки.

Их вычисление резервуаров нового поколения явилось явным победителем перед современными достижениями в решении этой задачи прогнозирования Лоренца. В одном относительно простом моделировании, выполненном на настольном компьютере, новая система была в 33–163 раза быстрее, чем текущая модель.

Но когда цель заключалась в высокой точности прогноза, вычисления резервуаров нового поколения были примерно в 1 миллион раз быстрее. И вычисления нового поколения достигли такой же точности с эквивалентом всего 28 нейронов по сравнению с 4000, необходимыми для модели текущего поколения, сказал Готье.

Важной причиной ускорения является то, что «мозг», стоящий за этим новым поколением пластовых вычислений, требует гораздо меньше разминки и обучения по сравнению с нынешним поколением для получения тех же результатов.

Разминка — это тренировочные данные, которые необходимо добавить в качестве входных данных в компьютер резервуара, чтобы подготовить его к реальной задаче.

«Для наших вычислений резервуаров следующего поколения практически не требуется времени на нагрев», — сказал Готье.

«В настоящее время ученым приходится вводить 1000 или 10 000 точек данных или более, чтобы разогреть их. И это все данные, которые теряются, которые не нужны для реальной работы. Нам нужно ввести только одну, две или три точки данных », — сказал он.

И как только исследователи будут готовы обучить резервуарный компьютер делать прогнозы, опять же, в системе следующего поколения потребуется гораздо меньше данных.

В своем тесте задачи прогнозирования Лоренца исследователи могли получить те же результаты, используя 400 точек данных, что и текущее поколение, полученное с использованием 5000 точек данных или более, в зависимости от желаемой точности.

«Что интересно, так это то, что это следующее поколение вычислений резервуаров берет то, что уже было очень хорошо, и делает его значительно более эффективным», — сказал Готье.

Он и его коллеги планируют расширить эту работу, чтобы решить еще более сложные вычислительные задачи, такие как прогнозирование динамики жидкости.

«Это невероятно сложная проблема. Мы хотим посмотреть, сможем ли мы ускорить процесс решения этой проблемы, используя нашу упрощенную модель расчета резервуара ».

Соавторами исследования были Эрик Болл, профессор электротехники и вычислительной техники в Университете Кларксона; Аарон Гриффит, получивший докторскую степень. по физике в штате Огайо; и Вендсон Барбоса, научный сотрудник по физике из штата Огайо.