Ao longo da última década ou assim, abordagens de aprendizado profundo tornaram-se cada vez mais eficientes no processamento de dados estáticos, como imagens. Contudo, constatou-se que essas técnicas são um pouco menos eficazes na análise de dados temporais, como vídeos, fala humana e outras entradas de streaming. Isso ocorre principalmente porque o processamento de dados temporais requer redes neurais artificiais maiores, que são mais caros de treinar e implementar.

Com isso em mente, uma equipe de pesquisadores da Universidade de Michigan desenvolveu recentemente um sistema de hardware de computação de reservatório para processar dados temporais de forma mais eficaz. Os sistemas de computação de reservatório consistem essencialmente em um reservatório que mapeia entradas em um espaço de alta dimensão e uma leitura para análise de padrão com base nos estados de alta dimensão do reservatório.

Verificou-se que esses sistemas são particularmente eficazes para o processamento de dados temporais ou sequenciais. O sistema desenvolvido pelos pesquisadores, que foi apresentado em um artigo publicado em Nature Electronics , é baseado em óxido de tungstênio dinâmico (WO _x ) memristores com recursos de memória interna de curto prazo.

"A principal razão para o grande tamanho da rede necessária para o processamento de dados temporais é o grande número de recursos temporais possíveis que precisam ser aprendidos e armazenados pela rede, "Wei Lu, o autor sênior que liderou o estudo, disse TechXplore. “Para resolver este problema, empregamos um conceito de 'computação de reservatório', onde o 'reservatório' no sistema pode processar entradas sem ter que aprender os recursos. Isso é habilitado pela propriedade de 'memória de curto prazo' do reservatório, para que ele possa responder (ser animado) de acordo com diferentes entradas, sem ter que armazenar nada explicitamente. "

A maioria dos reservatórios desenvolvidos anteriormente foi construída usando circuitos digitais que emulam efeitos de memória de curto prazo. Em última análise, isso os torna difíceis de implementar fisicamente, e, portanto, altamente impraticável.

Lu e seus colegas, por outro lado, fabricou seu sistema de computação de reservatório usando WO _x Dispositivos de memristor com propriedades intrínsecas de memória de curto prazo. Em outras palavras, cada dispositivo de memristor individual é um sistema dinâmico em si mesmo e pode processar uma ampla gama de entradas temporais.

Por meio desses memristores, o sistema de reservatório pode mapear entradas temporais de forma não linear em estados de reservatório. Os recursos projetados podem ser facilmente processados ​​por uma função de leitura linear.

"Aproveitando a dinâmica interna dos dispositivos para realizar computação naturalmente, poderíamos construir a rede de reservatório com apenas um pequeno número de dispositivos de memristor levando a uma pegada muito menor, custo, e consumo de energia, "Lu explicou.

Lu e seus colegas demonstraram e avaliaram seu sistema em uma tarefa de reconhecimento de fala padrão que envolve o reconhecimento de dígitos falados. Seu sistema foi capaz de reconhecer dígitos falados por humanos com uma precisão notável de 99,2 por cento.

"Mais interessante, uma vez que a rede pode capturar as características temporais da entrada, mostramos que também podemos usar a rede para realizar funções de previsão / previsão, "Lu disse." Por exemplo, no reconhecimento de fala, podemos prever a palavra pretendida pelo falante antes que ele a termine. Em outro exemplo, mostramos a capacidade da rede de capturar as características complexas de um sistema caótico e prever com segurança a evolução do sistema caótico a longo prazo, o que é uma tarefa muito desafiadora. "

No futuro, o sistema de computação de reservatório para analisar e prever entradas temporais desenvolvido por esta equipe de pesquisadores pode ter inúmeras aplicações interessantes. Por exemplo, pode ajudar a melhorar as interfaces homem-máquina, plataformas de direção autônomas, e outra tecnologia que requer o processamento ou previsão de entradas de streaming.

Além disso, usando esta nova abordagem, o tamanho e o consumo de energia das redes neurais artificiais para processar dados temporais podem ser reduzidos significativamente. Isso pode tornar a incorporação dessas redes em sistemas existentes mais fácil e mais barata, em última análise, permitindo que os pesquisadores equipem uma ampla variedade de dispositivos com recursos de análise de dados temporais em tempo real.

"Agora estamos trabalhando em sistemas mais complexos e melhorando ainda mais o desempenho da rede, "Lu acrescentou.

© 2019 Science X Network