La plupart des réservoirs précédemment développés ont été construits à l'aide de circuits numériques qui émulent les effets de mémoire à court terme. Cela les rend finalement difficiles à mettre en œuvre physiquement, et donc très peu pratique.

Lu et ses collègues, d'autre part, ont fabriqué leur système informatique de réservoir à l'aide de WO X dispositifs memristor avec des propriétés intrinsèques de mémoire à court terme. En d'autres termes, chaque dispositif memristor individuel est un système dynamique en soi et peut traiter une large gamme d'entrées temporelles.

A travers ces memristors, le système de réservoir peut mapper de manière non linéaire des entrées temporelles dans des états de réservoir. Les caractéristiques projetées peuvent ensuite être facilement traitées par une fonction de lecture linéaire.

« En profitant de la dynamique interne des appareils pour effectuer naturellement du calcul, nous pourrions construire le réseau de réservoirs avec seulement un petit nombre de dispositifs à memristor, ce qui conduit à une empreinte beaucoup plus petite, Coût, et la consommation électrique, " expliqua Lu.

Lu et ses collègues ont démontré et évalué leur système sur une tâche de reconnaissance vocale standard qui implique la reconnaissance des chiffres parlés. Leur système était capable de reconnaître les chiffres prononcés par les humains avec une précision remarquable de 99,2 %.

« Plus intéressant encore, puisque le réseau peut capturer les caractéristiques temporelles de l'entrée, nous avons montré que nous pouvons également utiliser le réseau pour effectuer des fonctions de prédiction/prévision, " dit Lu. "Par exemple, en reconnaissance vocale, nous pouvons prédire le mot voulu par le locuteur avant que celui-ci ne le termine. Dans un autre exemple, nous avons montré la capacité du réseau à capturer les caractéristiques complexes d'un système chaotique et à prédire de manière fiable l'évolution du système chaotique sur le long terme, ce qui est une tâche très difficile."

À l'avenir, le système de calcul de réservoir d'analyse et de prévision des entrées temporelles conçu par cette équipe de chercheurs pourrait avoir de nombreuses applications intéressantes. Par exemple, cela pourrait aider à améliorer les interfaces homme-machine, plateformes de conduite autonome, et d'autres technologies qui nécessitent le traitement ou la prévision d'entrées en continu.

De plus, en utilisant cette nouvelle approche, la taille et la consommation d'énergie des réseaux de neurones artificiels pour le traitement des données temporelles peuvent être considérablement réduites. Cela pourrait rendre l'intégration de ces réseaux dans les systèmes existants plus facile et moins coûteuse, permettant finalement aux chercheurs d'équiper une plus grande variété d'appareils de capacités d'analyse de données temporelles en temps réel.

« Nous travaillons désormais sur des systèmes plus complexes et sur l'amélioration continue des performances du réseau, " ajouta Lu.

© 2019 Réseau Science X