用于自主预测与家庭长期能源负荷预测的自旋物理储备池
机器学习
2024-02-20 v2
摘要
在本研究中，我们展示了利用自旋物理储备池进行自主长期预测。由于磁化动力学的短期记忆特性，储备池状态中会产生非线性，这可通过简单的线性回归进行在线训练，从而用于长期预测任务。在预测阶段，输出直接反馈至储备池的输入端以实现自主预测。我们将所提出的储备池用于对混沌时间序列（如 Mackey-Glass）和动态时间序列数据（如家庭建筑能源负荷）进行建模。由于储备池计算（RC）仅需使用线性回归训练最后一层，因此非常适合在边缘设备上进行实时学习。在此我们表明，基于 skyrmion 的磁性隧道结可潜在地用作原型 RC，但任何具有非线性磁化行为的纳米磁性隧道结均可实现此类 RC。通过将我们的自旋物理 RC 方法与能源负荷预测算法（如 LSTM 和 RNN）进行比较，我们得出结论：所提出的框架在实现高预测精度方面表现出良好的性能，同时所需的内存和能耗较低，而这二者在硬件资源受限和功耗受限的边缘应用中尤为宝贵。此外，结果表明，所提出的方法仅需极小的训练数据集，并且在准确的家居负荷预测方面，其能效至少比序列到序列 LSTM 高出 16 倍。
引用
@article{arxiv.2304.03343,
title = {Spintronic Physical Reservoir for Autonomous Prediction and Long-Term Household Energy Load Forecasting},
author = {Walid Al Misba and Harindra S. Mavikumbure and Md Mahadi Rajib and Daniel L. Marino and Victor Cobilean and Milos Manic and Jayasimha Atulasimha},
journal= {arXiv preprint arXiv:2304.03343},
year = {2024}
}