通过自动任务分解与映射实现深度物理储备计算
机器学习
2019-10-30 v1 新兴技术
神经与进化计算
信号处理
摘要
光子储备计算是高带宽低能耗计算的一个有前景的候选方案。尽管近期取得了成功，但仅通过增大光子储备的规模所能实现的性能存在上限。因此，从单储备计算转向多储备甚至深度物理储备计算是可取的。鉴于在我们目标设定中反向传播不能直接用于训练多储备系统，我们提出了一种仍利用其能力推导中间目标的替代方法。在本工作中，我们报告了一项实验的发现，该实验通过使用反向传播推导的目标训练由3个回声状态网络组成的网络来执行著名的NARMA-10任务，以评估我们方法的普遍可行性。我们的结果表明，我们提出的方法非常适合以高效方式训练多储备系统。
引用
@article{arxiv.1910.13332,
title = {Towards Deep Physical Reservoir Computing Through Automatic Task Decomposition And Mapping},
author = {Matthias Freiberger and Peter Bienstman and Joni Dambre},
journal= {arXiv preprint arXiv:1910.13332},
year = {2019}
}
备注
Submitted to the IEEE International Conference on Rebooting Computing 2019; accepted as a poster, will not be presented though