面向高维时空预测的顺序型海绒压缩计算
机器学习
2026-01-05 v1 神经与进化计算
摘要
高维时空系统的预测对循环神经网络（RNN）和长短期记忆（LSTM）模型而言仍面临计算挑战，主要due于基于梯度的训练和内存瓶颈。海绒压缩计算（Reservoir Computing, RC）通过用固定的回环层替换反向传播并采用凸读出优化，缓解了这些挑战，但传统RC架构仍难以随输入维度而扩展。我们引入一种顺序型海绒压缩计算（Sequential Reservoir Computing, Sequential RC）架构，将大型海绒压缩单元分解为一系列相互连接的小型海绒压缩单元。该设计在保持长期时序依赖性的同时，显著降低了内存和计算成本。通过使用低维混沌系统（Lorenz63）和高维物理仿真（二维涡度场和浅水方程），实验表明，Sequential RC在有效预测时程上延长了15%-25%，其误差指标（SSIM、RMSE）降低了20%-30%，训练成本降低了三个数量级。结果表明，Sequential RC在保持传统RC简洁性和效率的同时，实现了对高维动力学系统的卓越可扩展性。该方法为科学和工程应用中实现实时、低能耗的预测提供了可行路径。
引用
@article{arxiv.2601.00172,
title = {Sequential Reservoir Computing for Efficient High-Dimensional Spatiotemporal Forecasting},
author = {Ata Akbari Asanjan and Filip Wudarski and Daniel O'Connor and Shaun Geaney and Elena Strbac and P. Aaron Lott and Davide Venturelli},
journal= {arXiv preprint arXiv:2601.00172},
year = {2026}
}