Crédito CC0:domínio público
Nos últimos anos, computação de reservatório físico, uma das novas tecnologias de processamento de informação, atraiu muita atenção. Esta é uma versão de implementação física da computação de reservatório, que é um método de aprendizagem derivado da teoria de redes neurais recorrentes (RNN). Ele implementa computação considerando o sistema físico como um enorme RNN, terceirizando as principais operações para a dinâmica do sistema físico que forma o reservatório físico. Ele tem a vantagem de obter otimização instantaneamente com recursos computacionais limitados, ajustando as ponderações de leitura linear e estática entre a saída e um reservatório físico, sem exigir a otimização das ponderações por retropropagação.
Contudo, uma vez que a capacidade de processamento de informações depende da capacidade física do reservatório, é importante que isso seja investigado e otimizado. Além disso, ao projetar um reservatório físico com alta capacidade de processamento de informações, espera-se que o custo experimental seja reduzido pela simulação numérica. Exemplos bem conhecidos de computação de reservatório físico incluem sua aplicação a materiais macios, fotônica, spintrônica, e quanta, enquanto nos últimos anos, muita atenção foi dada às ondas; Dispositivos neuromórficos que simulam funções cerebrais por meio de ondas não lineares têm sido propostos.
O fluxo fluido da água, ar, etc. representa um sistema físico que é familiar, mas mostra vários e complicados padrões que foram considerados como tendo alta capacidade de processamento de informações. Contudo, A computação de reservatório físico virtual usando simulação numérica ou investigação da capacidade de processamento de informações de fenômenos de fluxo de fluido não foi realizada devido ao seu custo computacional numérico relativamente alto. Portanto, a relação entre o vórtice de fluxo e a capacidade de processamento de informações permaneceu desconhecida.
Neste estudo, O Prof. Hirofumi Notsu e um estudante graduado da Universidade de Kanazawa em colaboração com o Prof. Kohei Nakajima da Universidade de Tóquio investigaram o fenômeno do fluxo de fluido como um sistema físico, especialmente o fluxo de fluido que ocorre em torno de um cilindro, o que é bem compreendido. Sabe-se que este sistema físico é governado pelas equações incompressíveis de Navier-Stokes, que descrevem o fluxo de fluido, e também inclui o número Reynolds, um parâmetro indicativo das características do sistema.
R:Esboço do estudo. B:Fluxo de fluido típico em cada número de Reynolds. C:Entradas ao longo da sequência de tempo e os resultados dos modelos NARMA2 e NARMA3. Os valores alvo estão em preto, enquanto os valores da computação de reservatório físico virtual usando vórtices estão em vermelho. D:Valores de erros (erros quadráticos médios normalizados, NMSE) em cada número de Reynolds nos modelos NARMA2 e NARMA3. O erro é mínimo, com o número de Reynolds sendo em torno de 40. Crédito:Kanazawa University
Este sistema físico foi virtualmente implementado por simulação numérica bidimensional espacial usando o método estabilizado de Lagrange-Galerkin, e a dinâmica da velocidade de fluxo e pressão nos pontos selecionados na região a jusante do cilindro foram usados como o reservatório físico. A capacidade de processamento da informação foi avaliada usando o modelo NARMA.
Sabe-se que, no fluxo de fluido em torno de um cilindro, conforme o valor do número Reynolds aumenta, vórtices gêmeos formados na região a jusante do cilindro tornam-se gradualmente maiores e, eventualmente, formam uma rua de vórtice Karman, o derramamento alternativo de vórtices. Neste estudo, foi esclarecido que no número de Reynolds onde os vórtices gêmeos são máximos, mas pouco antes da transição para uma rua de vórtice Karman, a capacidade de processamento de informações é a mais alta.
Em outras palavras, antes da transição para uma rua vórtice Karman, a capacidade de processamento de informações aumenta à medida que aumenta o tamanho dos vórtices gêmeos. Por outro lado, uma vez que a propriedade de estado de eco que garante a reprodutibilidade da computação do reservatório não pode ser mantida quando a transição para a rua de vórtice Karman ocorre, fica claro que a rua vórtice Karman não pode ser usada para computação.
Espera-se que essas descobertas relativas a vórtices de fluxo de fluido e capacidade de processamento de informações sejam úteis quando, no futuro, a capacidade de processamento de informações do reservatório físico pode ser expandida usando fluxo de fluido, por exemplo. no desenvolvimento de dispositivos neuromórficos baseados em ondas relatados recentemente. Embora o custo computacional numérico dos fenômenos de fluxo de fluido seja relativamente alto, este estudo tornou possível lidar com vórtices macroscópicos que são fisicamente fáceis de entender e esclareceu a relação entre vórtices e capacidades de processamento de informação ao implementar virtualmente a computação de reservatório físico com simulação numérica bidimensional espacial.
Computação de reservatório físico virtual, que costumava ser aplicado a um número relativamente grande de sistemas físicos descritos como sistemas unidimensionais, foi expandido para incluir sistemas físicos com duas ou mais dimensões espaciais. Espera-se que os resultados deste estudo permitam a investigação virtual das capacidades de processamento da informação de uma gama mais ampla de sistemas físicos. Além disso, uma vez que é revelado que os vórtices são a chave para a capacidade de processamento de informações, espera-se que pesquisas para a criação ou manutenção de vórtices sejam mais promovidas.
