Переключиться на мобильную версию

Быстрее суперкомпьютера: Ученые создают новый тип вычислений

Относительно новый тип вычислений, который имитирует работу человеческого мозга, уже изменил то, как ученые могли решать некоторые из наиболее сложных проблем обработки информации.
Схема резервуарного вычисления
Схема резервуарного вычисления
researchgate.net

Исследователи нашли способ заставить так называемые резервуарные вычисления работать от 33 до миллиона раз быстрее, со значительно меньшими вычислительными ресурсами и меньшим объемом вводимых данных.

Фактически, в одном из испытаний этого нового поколения исследователи решили сложную вычислительную задачу менее чем за секунду на настольном компьютере.

Читай также: Китай создал самый быстрый в мире квантовый компьютер

По словам Дэниела Готье, ведущего автора исследования и профессора физики в Университете штата Огайо, при использовании современной технологии для решения той же проблемы требуется суперкомпьютер, и на это уходит гораздо больше времени.

“Мы можем выполнять очень сложные задачи по обработке информации за короткий промежуток времени, используя гораздо меньше компьютерных ресурсов по сравнению с тем, что в настоящее время могут выполнять эти вычисления“, - сказал Готье.

“И расчет уже стал значительным улучшением того, что было возможно раньше“.

По словам Готье, резервуарные вычисления - это алгоритм машинного обучения, разработанный в начале 2000-х годов и используемый для решения “самых сложных из сложных“ вычислительных задач, таких как прогнозирование эволюции динамических систем, которые меняются с течением времени.

По его словам, динамические системы, такие как погоду, трудно предсказать, потому что всего одно небольшое изменение в одном условии может иметь серьезные последствия.

Читай также: Первая в мире многоузловая сеть приблизила нас к квантовому Интернету

Одним из известных примеров является “эффект бабочки“, в котором - в одной метафорической иллюстрации - изменения, вызванные взмахом крыльев бабочки, могут в конечном итоге повлиять на погоду через несколько недель.

Предыдущие исследования показали, что резервуарные вычисления хорошо подходят для изучения динамических систем и могут дать точные прогнозы о том, как они будут себя вести в будущем, сказал Готье.

Он делает это с помощью искусственной нейронной сети, похожей на человеческий мозг. Ученые загружают данные из динамической сети в “резервуар“ случайно связанных искусственных нейронов в сети. Сеть дает полезный результат, который ученые могут интерпретировать и передавать обратно в сеть, создавая все более и более точный прогноз того, как система будет развиваться в будущем.

Чем крупнее и сложнее система и чем точнее, по мнению ученых, должен быть прогноз, тем больше должна быть сеть искусственных нейронов и тем больше вычислительных ресурсов и времени требуется для выполнения задачи.

Одна проблема заключалась в том, что резервуар искусственных нейронов - это “черный ящик“, сказал Готье, и ученые точно не знают, что происходит внутри него - они только знают, что это работает.

Читай также: Найдена новая частица с необычными свойствами

Готье объяснил, что искусственные нейронные сети, лежащие в основе вычислений резервуаров, построены на математике.

В этом исследовании Готье и его коллеги исследовали этот вопрос и обнаружили, что всю вычислительную систему резервуара можно значительно упростить, что резко снизит потребность в вычислительных ресурсах и значительно сэкономит время.

Они проверили свою концепцию на задаче прогнозирования с использованием погодной системы, разработанной Эдвардом Лоренцем, работа которого привела к нашему пониманию эффекта бабочки.

Их вычисление резервуаров нового поколения явилось явным победителем перед современными достижениями в решении этой задачи прогнозирования Лоренца. В одном относительно простом моделировании, выполненном на настольном компьютере, новая система была в 33–163 раза быстрее, чем текущая модель.

Но когда цель заключалась в высокой точности прогноза, вычисления резервуаров нового поколения были примерно в 1 миллион раз быстрее. И вычисления нового поколения достигли такой же точности с эквивалентом всего 28 нейронов по сравнению с 4000, необходимыми для модели текущего поколения, сказал Готье.

Читай также: Суперкомпьютер воссоздал миллионы Вселенных

Важной причиной ускорения является то, что “мозг“, стоящий за этим новым поколением резервуарных вычислений, требует гораздо меньше разминки и обучения по сравнению с нынешним поколением для получения тех же результатов.

Разминка - это тренировочные данные, которые необходимо добавить в качестве входных данных в компьютер резервуара, чтобы подготовить его к реальной задаче.

“В настоящее время ученым приходится вводить 1000 или 10000 точек данных или более, чтобы разогреть его. И это все данные, которые потеряны, которые не нужны для реальной работы. Нам нужно ввести только одну, две или три точки данных“, - добавил он.

И как только исследователи будут готовы обучить резервуарный компьютер делать прогнозы, опять же, в системе следующего поколения потребуется гораздо меньше данных.

В своем тесте задачи прогнозирования Лоренца исследователи могли получить те же результаты, используя 400 точек данных, что и текущее поколение, полученное с использованием 5000 точек данных или более, в зависимости от желаемой точности.

Готье и его коллеги планируют расширить эту работу, чтобы решить еще более сложные вычислительные задачи, такие как прогнозирование динамики жидкости.

Напомним, ранее сообщалось, что Китай установил рекорд на самом мощном квантовом суперкомпьютере.

Хотите знать важные и актуальные новости раньше всех? Подписывайтесь на Bigmir)net в Facebook и Telegram.

 
Комментариев (0)
Оставляя комментарий, пожалуйста, помните о том, что содержание и тон Вашего сообщения могут задеть чувства реальных людей, непосредственно или косвенно имеющих отношение к данной новости. Пользователи, которые нарушают эти правила грубо или систематически, будут заблокированы.
Полная версия правил
Осталось 300 символов
Реклама
Мы в соцсетях
Реклама
Реклама
Для удобства пользования сайтом используются Cookies. Подробнее здесь