Durante la última década más o menos, Los enfoques de aprendizaje profundo se han vuelto cada vez más eficientes en el procesamiento de datos estáticos como imágenes. Sin embargo, Se ha descubierto que estas técnicas son algo menos efectivas para analizar datos temporales, como videos, voz humana y otras entradas de transmisión. Esto se debe principalmente a que el procesamiento de datos temporales requiere redes neuronales artificiales más grandes, que son más costosos de entrenar e implementar.

Teniendo esto en cuenta, Un equipo de investigadores de la Universidad de Michigan ha desarrollado recientemente un sistema de hardware informático de depósito para procesar datos temporales de forma más eficaz. Los sistemas de computación de yacimientos consisten esencialmente en un reservorio que mapea las entradas en un espacio de alta dimensión y una lectura para el análisis de patrones basado en los estados de alta dimensión del reservorio.

Se ha descubierto que estos sistemas son particularmente eficaces para el procesamiento de datos temporal o secuencial. El sistema desarrollado por los investigadores, que fue presentado en un artículo publicado en Electrónica de la naturaleza , se basa en óxido de tungsteno dinámico (WO _X ) memristores con capacidad de memoria interna a corto plazo.

"Una de las principales razones del gran tamaño de la red necesaria para procesar datos temporales es la gran cantidad de posibles características temporales que la red debe aprender y almacenar, "Wei Lu, el autor principal que dirigió el estudio, dijo a TechXplore. "Para resolver este problema, empleamos un concepto de 'computación de yacimientos', donde el 'depósito' en el sistema puede procesar entradas sin tener que aprender las características. Esto está habilitado por la propiedad de 'memoria a corto plazo' del reservorio, para que pueda responder (excitarse) en consecuencia a diferentes entradas sin tener que almacenar nada explícitamente ".

La mayoría de los depósitos desarrollados anteriormente se construyeron utilizando circuitos digitales que emulan los efectos de la memoria a corto plazo. Esto, en última instancia, los hace difíciles de implementar físicamente, y por lo tanto muy poco práctico.

Lu y sus colegas, por otra parte, fabricó su sistema informático de yacimientos utilizando WO _X Dispositivos de memristor con propiedades intrínsecas de memoria a corto plazo. En otras palabras, cada dispositivo de memristor individual es un sistema dinámico en sí mismo y puede procesar una amplia gama de entradas temporales.

A través de estos memristores, el sistema del yacimiento puede mapear de manera no lineal las entradas temporales en los estados del yacimiento. Las características proyectadas se pueden procesar fácilmente mediante una función de lectura lineal.

"Aprovechando la dinámica interna de los dispositivos para realizar la computación de forma natural, Podríamos construir la red de reservorios con solo una pequeña cantidad de dispositivos de memristor, lo que generaría una huella mucho más pequeña, costo, y consumo de energía, "Lu explicó.

Lu y sus colegas demostraron y evaluaron su sistema en una tarea estándar de reconocimiento de voz que implica el reconocimiento de dígitos hablados. Su sistema fue capaz de reconocer los dígitos hablados por humanos con una notable precisión del 99,2 por ciento.

"Más interesante aún, dado que la red puede capturar las características temporales de la entrada, Demostramos que también podemos usar la red para realizar funciones de predicción / pronóstico, "Lu dijo". Por ejemplo, en reconocimiento de voz, podemos predecir la palabra intencionada del hablante antes de que el hablante la termine. En otro ejemplo, Demostramos la capacidad de la red para capturar las características complejas de un sistema caótico y predecir de manera confiable la evolución del sistema caótico a largo plazo. que es una tarea muy desafiante ".

En el futuro, el sistema de computación de yacimientos para analizar y pronosticar entradas temporales ideado por este equipo de investigadores podría tener numerosas aplicaciones interesantes. Por ejemplo, podría ayudar a mejorar las interfaces hombre-máquina, plataformas de conducción autónoma, y otra tecnología que requiera el procesamiento o pronóstico de entradas de transmisión.

Es más, utilizando este nuevo enfoque, El tamaño y el consumo de energía de las redes neuronales artificiales para procesar datos temporales se pueden reducir significativamente. Esto podría hacer que la integración de estas redes en los sistemas existentes sea más fácil y económica. permitiendo en última instancia a los investigadores equipar una variedad más amplia de dispositivos con capacidades de análisis de datos temporales en tiempo real.

"Ahora estamos trabajando en sistemas más complejos y en mejorar aún más el rendimiento de la red, "Lu agregó.

© 2019 Science X Network