Un type d'informatique relativement nouveau qui imite le fonctionnement du cerveau humain transformait déjà la façon dont les scientifiques pouvaient s'attaquer à certains des problèmes de traitement de l'information les plus difficiles.

Maintenant, les chercheurs ont trouvé un moyen de faire fonctionner ce qu'on appelle le calcul des réservoirs entre 33 et un million de fois plus vite, avec beaucoup moins de ressources informatiques et moins d'entrées de données nécessaires.

En réalité, dans un test de ce calcul de réservoir de nouvelle génération, les chercheurs ont résolu un problème informatique complexe en moins d'une seconde sur un ordinateur de bureau.

En utilisant la technologie de pointe actuelle, le même problème nécessite un supercalculateur à résoudre et prend encore beaucoup plus de temps, dit Daniel Gauthier, auteur principal de l'étude et professeur de physique à l'Ohio State University.

« Nous pouvons effectuer des tâches de traitement de l'information très complexes en une fraction du temps en utilisant beaucoup moins de ressources informatiques par rapport à ce que l'informatique de réservoir peut faire actuellement, ", a déclaré Gauthier.

"Et le calcul des réservoirs était déjà une amélioration significative par rapport à ce qui était auparavant possible."

L'étude a été publiée aujourd'hui dans la revue Communication Nature .

Le Reservoir computing est un algorithme d'apprentissage automatique développé au début des années 2000 et utilisé pour résoudre les problèmes informatiques "les plus difficiles", comme la prévision de l'évolution des systèmes dynamiques qui changent dans le temps, dit Gauthier.

Systèmes dynamiques, comme le temps, sont difficiles à prévoir car un seul petit changement dans une condition peut avoir des effets massifs sur toute la ligne, il a dit.

Un exemple célèbre est "l'effet papillon, " dans laquelle, dans une illustration métaphorique, les changements créés par un papillon battant des ailes peuvent éventuellement influencer la météo des semaines plus tard.

Des recherches antérieures ont montré que le calcul des réservoirs est bien adapté à l'apprentissage des systèmes dynamiques et peut fournir des prévisions précises sur la façon dont ils se comporteront à l'avenir, dit Gauthier.

Il le fait grâce à l'utilisation d'un réseau de neurones artificiels, un peu comme un cerveau humain. Les scientifiques alimentent les données d'un réseau dynamique dans un "réservoir" de neurones artificiels connectés de manière aléatoire dans un réseau. Le réseau produit des résultats utiles que les scientifiques peuvent interpréter et réinjecter dans le réseau, construire une prévision de plus en plus précise de l'évolution future du système.

Plus le système est grand et complexe et plus les scientifiques veulent que les prévisions soient précises, plus le réseau de neurones artificiels doit être grand et plus il faut de ressources informatiques et de temps pour accomplir la tâche.

L'un des problèmes est que le réservoir de neurones artificiels est une « boîte noire, " Gauthier a dit, et les scientifiques ne savent pas exactement ce qui se passe à l'intérieur - ils savent seulement que cela fonctionne.

Les réseaux de neurones artificiels au cœur du calcul réservoir sont construits sur les mathématiques, explique Gauthier.

« Nous avons demandé à des mathématiciens d'examiner ces réseaux et de demander :« Dans quelle mesure toutes ces pièces de la machinerie sont-elles vraiment nécessaires ? » », a-t-il déclaré.

Dans cette étude, Gauthier et ses collègues ont étudié cette question et ont découvert que l'ensemble du système informatique du réservoir pouvait être grandement simplifié, réduisant considérablement le besoin de ressources informatiques et économisant un temps considérable.

Ils ont testé leur concept sur une tâche de prévision impliquant un système météorologique développé par Edward Lorenz, dont les travaux ont permis de comprendre l'effet papillon.

Leur calcul de réservoir de nouvelle génération était clairement un gagnant par rapport à l'état de l'art actuel sur cette tâche de prévision de Lorenz. Dans une simulation relativement simple effectuée sur un ordinateur de bureau, le nouveau système était 33 à 163 fois plus rapide que le modèle actuel.

Mais lorsque l'objectif était d'obtenir une grande précision dans les prévisions, le calcul du réservoir de nouvelle génération était environ 1 million de fois plus rapide. Et l'informatique de nouvelle génération a atteint la même précision avec l'équivalent de seulement 28 neurones, par rapport au 4, 000 nécessaires au modèle de génération actuelle, dit Gauthier.

Une raison importante de l'accélération est que le "cerveau" derrière cette prochaine génération de calcul de réservoir a besoin de beaucoup moins d'échauffement et d'entraînement par rapport à la génération actuelle pour produire les mêmes résultats.

L'échauffement est une donnée d'entraînement qui doit être ajoutée en entrée dans l'ordinateur du réservoir pour le préparer à sa tâche réelle.

"Pour notre calcul de réservoir de nouvelle génération, il n'y a presque pas de temps de réchauffement nécessaire, ", a déclaré Gauthier.

"Actuellement, les scientifiques doivent mettre 1, 000 ou 10, 000 points de données ou plus pour le réchauffer. Et ce sont toutes les données qui sont perdues, ce n'est pas nécessaire pour le travail réel. Nous n'avons qu'à mettre un ou deux ou trois points de données, " il a dit.

Et une fois que les chercheurs sont prêts à entraîner l'ordinateur du réservoir à faire les prévisions, de nouveau, beaucoup moins de données sont nécessaires dans le système de nouvelle génération.

Dans leur test de la tâche de prévision de Lorenz, les chercheurs pourraient obtenir les mêmes résultats en utilisant 400 points de données que la génération actuelle produite en utilisant 5, 000 points de données ou plus, selon la précision souhaitée.

"Ce qui est excitant, c'est que cette prochaine génération de calcul de réservoir prend ce qui était déjà très bon et le rend considérablement plus efficace, ", a déclaré Gauthier.

Lui et ses collègues prévoient d'étendre ce travail pour s'attaquer à des problèmes informatiques encore plus difficiles, comme la prévision de la dynamique des fluides.

"C'est un problème incroyablement difficile à résoudre. Nous voulons voir si nous pouvons accélérer le processus de résolution de ce problème en utilisant notre modèle simplifié de calcul de réservoir."

Les co-auteurs de l'étude étaient Erik Bollt, professeur de génie électrique et informatique à l'Université Clarkson; Aaron Griffith, qui a obtenu son doctorat. en physique à l'Ohio State; et Wendson Barbosa, chercheur postdoctoral en physique à l'Ohio State.