用于时间数据分类和预测的储层计算系统

在过去的十年左右的时间里，深度学习方法在处理静态数据(例如图像)方面已经变得越来越有效。但是，已发现这些技术在分析时间数据(例如视频，人类语音和其他流输入)时效率较低。这主要是因为处理时态数据需要更大的人工神经网络，这对于训练和实施而言更加昂贵。

考虑到这一点，密歇根大学的一组研究人员最近开发了一种储层计算硬件系统，可以更有效地处理时间数据。储层计算系统主要由将输入映射到高维空间的储层和基于储层高维状态的读数进行模式分析组成。

已经发现这些系统对于时间或顺序数据处理特别有效。由研究人员开发的系统已发表在《自然电子》上的一篇论文中，该系统基于具有内部短期记忆功能的动态氧化钨(WO x)忆阻器。

主持这项研究的资深作者魏鲁对TechXplore表示：“处理时间数据所需的庞大网络规模的主要原因是网络需要学习和存储大量可能的时间特征。” “为了解决这个问题，我们采用了“储层计算”的概念，系统中的“储层”可以处理输入而无需学习功能。这是通过储层的“短期记忆”属性实现的，因此它可以相应地响应(兴奋)不同的输入而不必显式存储任何东西。”