(Wachirawit Jenlohakit/Getty Images) Reservoarberäkning är redan en av de mest avancerade och kraftfullaste typerna av artificiell intelligens som forskarna har till sitt förfogande – och nu visar en ny studie hur man kan göra det upp till en miljon gånger snabbare på vissa uppgifter.
Det är en spännande utveckling när det gäller att ta itu med de mest komplexa beräkningsutmaningarna, från att förutsäga hur vädret kommer att vända, till att modellera flöde av vätskor genom ett särskilt utrymme.
Sådana problem är vad denna typ av resurskrävande datoranvändning utvecklades för att ta sig an; nu kommer de senaste innovationerna att göra den ännu mer användbar. Teamet bakom denna nya studie kallar det nästa generation av reservoarberäkningar.
'Vi kan utföra mycket komplexa informationsbearbetningsuppgifter på en bråkdel av tiden med mycket mindre datorresurser jämfört med vad reservoarberäkning kan göra för närvarande,' säger fysikern Daniel Gauthier , från Ohio State University.
'Och reservoarberäkning var redan en betydande förbättring jämfört med vad som tidigare var möjligt.'
Reservoarberäkning bygger på idén om neurala nätverk – maskininlärning system baserade på hur levande hjärnor fungerar – som är tränade att upptäcka mönster i en stor mängd data. Visa ett neuralt nätverk tusen bilder av en hund, till exempel, och det borde vara ganska exakt när det gäller att känna igen en hund nästa gång en dyker upp.
Detaljerna för den extra kraft som reservoarberäkning ger är ganska tekniska. I huvudsak skickar processen information till en 'reservoar', där datapunkter är länkade på olika sätt. Information skickas sedan ut ur reservoaren, analyseras och återkopplas till inlärningsprocessen.
Detta gör hela processen snabbare på något sätt och mer anpassningsbar till inlärningssekvenser. Men det är också starkt beroende av slumpmässig bearbetning, alltså vad som händer inuti reservoaren är inte kristallklar. För att använda en ingenjörsterm, det är en 'svart låda' – det fungerar vanligtvis, men ingen vet riktigt hur eller varför.
Med den nya forskningen som just har publicerats kan reservoardatorer göras mer effektiva genom att ta bort randomiseringen. En matematisk analys användes för att ta reda på vilka delar av en reservoardator som faktiskt är avgörande för att den ska fungera och vilka som inte är det. Att bli av med de redundanta bitarna påskyndar bearbetningstiden.
Ett av slutresultaten är att mindre av en 'uppvärmningsperiod' behövs: det är där det neurala nätverket matas med träningsdata för att förbereda det för uppgiften det ska göra. Forskargruppen gjorde betydande förbättringar här.
'För vår nästa generations reservoarberäkning behövs nästan ingen uppvärmningstid,' säger Gauthier .
'För närvarande måste forskare lägga in 1 000 eller 10 000 datapunkter eller mer för att värma upp det. Och det är all data som går förlorad, som inte behövs för själva arbetet. Vi behöver bara lägga in en eller två eller tre datapunkter.'
En särskilt svår prognosuppgift slutfördes på mindre än en sekund på en vanlig stationär dator med det nya systemet. Med nuvarande reservoarberäkningsteknik tar samma uppgift betydligt längre tid, även på en superdator.
Det nya systemet visade sig vara mellan 33 och 163 gånger snabbare beroende på data. När uppgiftens mål ändrades för att prioritera noggrannhet var den uppdaterade modellen en hel miljon gånger snabbare.
Detta är bara början för denna supereffektiva typ av neurala nätverk, och forskarna bakom det hoppas kunna ställa det mot mer utmanande uppgifter i framtiden.
'Det som är spännande är att denna nästa generation av reservoarberäkningar tar det som redan var mycket bra och gör det betydligt mer effektivt,' säger Gauthier .
Forskningen har publicerats i Naturkommunikation .