Um tipo relativamente novo de computação que imita a maneira como o cérebro humano funciona já estava transformando a forma como os cientistas poderiam lidar com alguns dos problemas mais difíceis de processamento de informações.

Agora, pesquisadores descobriram uma maneira de fazer o que é chamado de computação de reservatório funcionar entre 33 e um milhão de vezes mais rápido, com significativamente menos recursos de computação e menos entrada de dados necessária.

Na verdade, em um teste desta computação de reservatório de próxima geração, pesquisadores resolveram um problema de computação complexo em menos de um segundo em um computador desktop.

Usando a tecnologia de ponta agora atual, o mesmo problema requer um supercomputador para ser resolvido e ainda leva muito mais tempo, disse Daniel Gauthier, autor principal do estudo e professor de física na The Ohio State University.

"Podemos realizar tarefas de processamento de informações muito complexas em uma fração do tempo usando muito menos recursos de computador em comparação com o que a computação de reservatório pode fazer atualmente, "Gauthier disse.

"E a computação de reservatórios já era uma melhoria significativa em relação ao que era possível anteriormente."

O estudo foi publicado hoje na revista. Nature Communications .

A computação de reservatório é um algoritmo de aprendizado de máquina desenvolvido no início dos anos 2000 e usado para resolver os problemas de computação "mais difíceis dos difíceis", como a previsão da evolução de sistemas dinâmicos que mudam ao longo do tempo, Gauthier disse.

Sistemas dinâmicos, como o tempo, são difíceis de prever porque apenas uma pequena mudança em uma condição pode ter efeitos massivos no futuro, ele disse.

Um exemplo famoso é o "efeito borboleta, "em que - em uma ilustração metafórica - as mudanças criadas por uma borboleta batendo suas asas podem eventualmente influenciar o clima semanas depois.

Pesquisas anteriores mostraram que a computação de reservatórios é adequada para aprender sistemas dinâmicos e pode fornecer previsões precisas sobre como eles se comportarão no futuro, Gauthier disse.

Ele faz isso por meio do uso de uma rede neural artificial, um pouco como um cérebro humano. Os cientistas alimentam dados em uma rede dinâmica em um "reservatório" de neurônios artificiais conectados aleatoriamente em uma rede. A rede produz resultados úteis que os cientistas podem interpretar e alimentar a rede, construir uma previsão cada vez mais precisa de como o sistema evoluirá no futuro.

Quanto maior e mais complexo o sistema e mais precisa os cientistas querem que a previsão seja, quanto maior deve ser a rede de neurônios artificiais e mais recursos de computação e tempo são necessários para completar a tarefa.

Um problema é que o reservatório de neurônios artificiais é uma "caixa preta, "Gauthier disse, e os cientistas não sabem exatamente o que se passa dentro dela - eles apenas sabem que funciona.

As redes neurais artificiais no coração da computação de reservatórios são construídas em matemática, Gauthier explicou.

"Pedimos aos matemáticos que olhassem para essas redes e perguntassem:'Até que ponto todas essas peças do maquinário são realmente necessárias?' ”, Disse ele.

Neste estudo, Gauthier e seus colegas investigaram essa questão e descobriram que todo o sistema de computação do reservatório poderia ser bastante simplificado, reduzindo drasticamente a necessidade de recursos de computação e economizando um tempo significativo.

Eles testaram seu conceito em uma tarefa de previsão envolvendo um sistema meteorológico desenvolvido por Edward Lorenz, cujo trabalho levou à nossa compreensão do efeito borboleta.

Sua computação de reservatório de próxima geração foi uma clara vencedora sobre o estado da arte de hoje nesta tarefa de previsão de Lorenz. Em uma simulação relativamente simples feita em um computador desktop, o novo sistema foi de 33 a 163 vezes mais rápido que o modelo atual.

Mas quando o objetivo era grande precisão na previsão, a computação de reservatório de próxima geração foi cerca de 1 milhão de vezes mais rápida. E a computação de nova geração alcançou a mesma precisão com o equivalente a apenas 28 neurônios, em comparação com os 4, 000 necessários para o modelo de geração atual, Gauthier disse.

Uma razão importante para a aceleração é que o "cérebro" por trás dessa próxima geração de computação de reservatório precisa de muito menos aquecimento e treinamento em comparação com a geração atual para produzir os mesmos resultados.

Warmup são dados de treinamento que precisam ser adicionados como entrada no computador do reservatório para prepará-lo para sua tarefa real.

"Para nossa computação de reservatório de próxima geração, quase não há tempo de aquecimento necessário, "Gauthier disse.

"Atualmente, os cientistas têm que colocar 1, 000 ou 10, 000 pontos de dados ou mais para aquecê-lo. E são todos os dados perdidos, isso não é necessário para o trabalho real. Só precisamos colocar um ou dois ou três pontos de dados, " ele disse.

E quando os pesquisadores estiverem prontos para treinar o computador do reservatório para fazer a previsão, novamente, muito menos dados são necessários no sistema de próxima geração.

Em seu teste da tarefa de previsão Lorenz, os pesquisadores puderam obter os mesmos resultados usando 400 pontos de dados que a geração atual produzida usando 5, 000 pontos de dados ou mais, dependendo da precisão desejada.

"O que é empolgante é que esta próxima geração de computação de reservatório pega o que já era muito bom e o torna significativamente mais eficiente, "Gauthier disse.

Ele e seus colegas planejam estender este trabalho para resolver problemas de computação ainda mais difíceis, como a previsão da dinâmica dos fluidos.

"Esse é um problema incrivelmente desafiador de resolver. Queremos ver se podemos acelerar o processo de solução desse problema usando nosso modelo simplificado de computação de reservatório."

Os co-autores do estudo foram Erik Bollt, professor de engenharia elétrica e da computação na Clarkson University; Aaron Griffith, que recebeu seu Ph.D. em física no estado de Ohio; e Wendson Barbosa, um pesquisador de pós-doutorado em física no estado de Ohio.