含水电离子阻力器的回声状态网络与带通网络：基于漏基质的漏抑储备计算
新兴技术
2025-09-19 v2 软凝聚态物质
摘要
循环神经网络（Recurrent Neural Networks, RNN）广泛用于处理时间序列等序列数据。储备计算（Reservoir Computing, RC）因其固定网络结构无需训练，成为基于硬件的机器学习的引人注目的平台。我们在经典数学RC实现（如回声状态网络Echo State Networks和带通网络Band-pass Networks）与包含离子电导简单易失性阻力器的物理电路之间建立了明确对应关系。这些含水电离子阻力器通过水作为信号载体，具有电压依赖（具有记忆）的电导。漏抑积分节点（Leaky Integrator nodes）的激活函数和动态自然实现为离子电导阻力器的动态电导特性，而在阻力器端子处的简单固定的电流-电压更新规则促进了节点之间的相关矩阵耦合。我们处理 various time series，包括模拟呼吸期间空气道压力数据，这些数据由于离子电导器对施加压力本构响应性，可直接输入网络。我们采用离子电导阻力器的运动方程来实现电路的内部动态。
引用
@article{arxiv.2505.13451,
title = {Echo State and Band-pass Networks with aqueous memristors: leaky reservoir computing with a leaky substrate},
author = {T. M. Kamsma and J. J. Teijema and R. van Roij and C. Spitoni},
journal= {arXiv preprint arXiv:2505.13451},
year = {2025}
}