利用混沌奇怪吸引子的机器学习

机器学习研究需要巨大的算力来处理海量数据集并训练神经网络以达到高准确率，这已逐渐变得不可持续。受冯·诺依曼瓶颈限制，当前计算架构和这种高功耗现象存在局限性。在此，我们提出一种模拟计算方法，利用混沌非线性吸引子以低功耗执行机器学习任务。受神经形态计算启发，我们的模型是一个可编程、通用且泛化的机器学习任务平台。我们的模型利用混沌吸引子的非线性映射和对初始条件的敏感性，在聚类中提供卓越性能。当作为简单模拟器件部署时，它仅需毫瓦级功耗，同时与当前机器学习技术相当。我们展示了我们的模型在回归和基于分类的学习任务中的低误差和高准确率。