耦合相位振荡器储层计算机中的临界性

越来越多的证据表明，大脑皮层运行于临界态附近，其特征是神经雪崩活动的幂律尺寸分布，然而在模仿大脑皮层的人工神经网络中缺乏该临界态的证据。在此我们设计了一个耦合相位振荡器的人工神经网络，并通过机器学习中的储层计算技术训练其预测混沌。研究发现，当机器被恰当训练时，储层中的振荡器同步为若干团簇，其尺寸服从幂律分布。然而，当机器训练不佳时该特征消失。此外发现，无论原始网络的同步程度如何，一旦被恰当训练，储层网络总是演化至同一临界态，例证了机器学习中该状态的“吸引子”性质。结果的一般性在不同储层模型及不同目标系统中得到验证，并且发现分布的标度指数与储层细节及目标系统的分岔参数无关，但当目标系统动力学改变为不同类型时该指数会发生改变。这些发现揭示了机器学习的本质，并有助于在物理系统中设计高性能机器。