Хмарні обчислення на деяких завданнях вдалося прискорити в 30 разів

Дослідники вдосконалили технологію резервуарного обчислення і змогли домогтися збільшення швидкодії пристрою більш ніж в 30 разів.

Дослідники змогли вирішити одну з ключових проблем резервуарних обчислень. Програма на основі нової технології була в 33-163 рази швидше існуючих аналогів при обчисленні прогнозу погоди в різних умовах

Резервуарні обчислення являють собою алгоритм машинного навчання, розроблений на початку 2000-х років і використовуваний для вирішення найскладніших обчислювальних завдань, таких як прогнозування еволюції динамічних систем. Динамічні системи, такі як погода, важко передбачити, тому що всього одна невелика зміна може мати величезні наслідки в майбутньому.

Одним з відомих прикладів є «ефект метелика», який утровано можна описати так:зміни, викликані помахом крил метелика, можуть в кінцевому підсумку вплинути на погоду кілька тижнів потому. Попередні дослідження показали, що технологія резервуарних обчислень добре підходить для вивчення динамічних систем і може давати точні прогнози про те, як вони будуть вести себе в майбутньому.

Це досягається за допомогою штучної нейронної мережі, чимось схожої на людський мозок. Вчені передають дані про динамічну мережу в «резервуар» випадково з'єднаних штучних нейронів. Мережа видає корисну інформацію, яку вчені можуть інтерпретувати і передавати назад, створюючи все більш і більш точний прогноз того, як система буде розвиватися в майбутньому.

Одна з проблем для подальшого вдосконалення технології полягала в тому, що резервуар штучних нейронів являє собою «чорний ящик». У новій роботі автори виявили, що всю систему резервуарних обчислень можна значно спростити, що значно скоротить потребу в обчислювальних ресурсах і заощадить значний час. Автори перевірили свою концепцію на завданні прогнозування, пов'язаного з передбаченням погоди. Це завдання було розроблено Едвардом Лоренцом, чия робота призвела до нашого розуміння ефекту метелика.

Технологія резервуарних обчислень наступного покоління стала явним переможцем порівняно з існуючими алгоритмами. В одному відносно простому моделюванні, виконаному на настільному комп'ютері, нова система була в 33-163 рази швидше, ніж поточна модель.

Стаття вчених опублікована в журналі Nature Communications.