Un tipo relativamente nuovo di calcolo che imita il modo in cui funziona il cervello umano stava già trasformando il modo in cui gli scienziati potevano affrontare alcuni dei problemi di elaborazione delle informazioni più difficili.

Ora, i ricercatori hanno trovato un modo per far funzionare il cosiddetto calcolo del serbatoio da 33 a un milione di volte più veloce, con un numero significativamente inferiore di risorse di elaborazione e di input di dati necessari.

Infatti, in un test di questo calcolo del serbatoio di nuova generazione, i ricercatori hanno risolto un problema informatico complesso in meno di un secondo su un computer desktop.

Utilizzando l'attuale tecnologia all'avanguardia, lo stesso problema richiede un supercomputer per essere risolto e richiede ancora molto più tempo, disse Daniel Gauthier, autore principale dello studio e professore di fisica presso la Ohio State University.

"Possiamo eseguire attività di elaborazione delle informazioni molto complesse in una frazione del tempo utilizzando molte meno risorse del computer rispetto a quanto può attualmente fare il calcolo del serbatoio, " ha detto Gauthier.

"E il calcolo del serbatoio era già un miglioramento significativo rispetto a ciò che era possibile in precedenza".

Lo studio è stato pubblicato oggi sulla rivista Comunicazioni sulla natura .

Il Reservoir Computing è un algoritmo di apprendimento automatico sviluppato nei primi anni 2000 e utilizzato per risolvere i problemi di calcolo "più difficili tra i più difficili", come prevedere l'evoluzione di sistemi dinamici che cambiano nel tempo, ha detto Gauthier.

Sistemi dinamici, come il tempo, sono difficili da prevedere perché solo un piccolo cambiamento in una condizione può avere effetti enormi su tutta la linea, Egli ha detto.

Un famoso esempio è "l'effetto farfalla, " in cui, in un'illustrazione metaforica, i cambiamenti creati da una farfalla che sbatte le ali possono alla fine influenzare il tempo settimane dopo.

Ricerche precedenti hanno dimostrato che il calcolo del serbatoio è adatto per l'apprendimento di sistemi dinamici e può fornire previsioni accurate su come si comporteranno in futuro, ha detto Gauthier.

Lo fa attraverso l'uso di una rete neurale artificiale, un po' come un cervello umano. Gli scienziati alimentano i dati su una rete dinamica in un "serbatoio" di neuroni artificiali collegati in modo casuale in una rete. La rete produce output utili che gli scienziati possono interpretare e restituire alla rete, costruire una previsione sempre più accurata di come il sistema si evolverà in futuro.

Più grande e complesso è il sistema e più accurata è la previsione che gli scienziati vogliono, più grande deve essere la rete di neuroni artificiali e maggiori sono le risorse di calcolo e il tempo necessari per completare l'attività.

Un problema è stato che il serbatoio di neuroni artificiali è una "scatola nera, "Gauthier ha detto, e gli scienziati non hanno saputo esattamente cosa succede al suo interno:sanno solo che funziona.

Le reti neurali artificiali al centro del calcolo dei serbatoi sono costruite sulla matematica, Gauthier ha spiegato.

"Abbiamo chiesto ai matematici di guardare queste reti e chiedere, 'Fino a che punto sono davvero necessari tutti questi pezzi del macchinario?'", ha detto.

In questo studio, Gauthier e i suoi colleghi hanno studiato questa domanda e hanno scoperto che l'intero sistema di calcolo del serbatoio potrebbe essere notevolmente semplificato, riducendo drasticamente la necessità di risorse di elaborazione e risparmiando tempo significativo.

Hanno testato il loro concetto su un compito di previsione che coinvolge un sistema meteorologico sviluppato da Edward Lorenz, il cui lavoro ha portato alla nostra comprensione dell'effetto farfalla.

Il loro calcolo del serbatoio di nuova generazione è stato un chiaro vincitore rispetto allo stato dell'arte odierno in questo compito di previsione di Lorenz. In una simulazione relativamente semplice eseguita su un computer desktop, il nuovo sistema era da 33 a 163 volte più veloce del modello attuale.

Ma quando l'obiettivo era una grande precisione nella previsione, il calcolo del serbatoio di nuova generazione era circa 1 milione di volte più veloce. E il calcolo di nuova generazione ha raggiunto la stessa precisione con l'equivalente di soli 28 neuroni, rispetto al 4, 000 necessari al modello di generazione attuale, ha detto Gauthier.

Una ragione importante per l'accelerazione è che il "cervello" dietro questa prossima generazione di calcolo del serbatoio ha bisogno di molto meno riscaldamento e allenamento rispetto alla generazione attuale per produrre gli stessi risultati.

Warmup sono dati di allenamento che devono essere aggiunti come input nel computer del serbatoio per prepararlo per il suo compito effettivo.

"Per il nostro calcolo del serbatoio di nuova generazione, non c'è quasi nessun tempo di riscaldamento necessario, " ha detto Gauthier.

"Attualmente, gli scienziati devono inserire 1, 000 o 10, 000 punti dati o più per riscaldarlo. E questi sono tutti i dati che vengono persi, che non è necessario per il lavoro vero e proprio. Dobbiamo solo inserire uno o due o tre punti dati, " Egli ha detto.

E una volta che i ricercatori saranno pronti ad addestrare il computer del serbatoio per fare le previsioni, ancora, sono necessari molti meno dati nel sistema di nuova generazione.

Nel loro test del compito di previsione di Lorenz, i ricercatori potrebbero ottenere gli stessi risultati utilizzando 400 punti dati della generazione attuale prodotta utilizzando 5, 000 punti dati o più, a seconda della precisione desiderata.

"La cosa eccitante è che questa nuova generazione di sistemi di calcolo dei serbatoi prende ciò che era già molto buono e lo rende significativamente più efficiente, " ha detto Gauthier.

Lui e i suoi colleghi hanno in programma di estendere questo lavoro per affrontare problemi informatici ancora più difficili, come la previsione della fluidodinamica.

"Questo è un problema incredibilmente impegnativo da risolvere. Vogliamo vedere se possiamo accelerare il processo di risoluzione di quel problema utilizzando il nostro modello semplificato di calcolo del serbatoio".

I coautori dello studio erano Erik Bollt, professore di ingegneria elettrica e informatica alla Clarkson University; Aaron Griffith, che ha conseguito il dottorato di ricerca in fisica all'Ohio State; e Wendson Barbosa, un ricercatore post-dottorato in fisica presso l'Ohio State.