تبديل البحث
تبديل القائمة
٤٤
١٣١
٤٦
٢٫٥ ألف
ويكي عربية
تبديل القائمة الشخصية
غير مسجل للدخول
سيكون عنوان الآيبي الخاص بك مرئيًا للعامة إذا قمت بإجراء أي تعديلات.

الفرق بين المراجعتين لصفحة: «حوسبة الخزان»

حوسبة الخزان هي إطار للحوسبة مشتق من نظرية الشبكات العصبونية المتكررة التي تربط إشارات الإدخال إلى مساحات حوسبة ذات أبعاد أعلى من خلال ديناميات نظام ثابت غير خطي يدعى الخزان.
المزيد من الإجراءات
مرئينص الويكي
لا ملخص تعديل
 
(مراجعتان متوسطتان بواسطة نفس المستخدم غير معروضتين)
سطر 87: سطر 87:


====شبكات النقاط الكمومية ثنائية الأبعاد====
====شبكات النقاط الكمومية ثنائية الأبعاد====
يمنح الاقتران العشوائي بين مواقع الشبكة الخزان خاصية "الصندوق الأسود" المميزة للمعالجات الخزانية في هذه البنية.<ref name=":2" /> ثم يُثار الخزان، والذي يعمل كمدخل، بواسطة مجال بصري وارد. تحدث القراءة في شكل أعداد وظيفية لمواقع الشبكة، والتي هي دوال غير خطية طبيعية للمدخل.<ref name=":2" />
====الدوران النووي في المواد الصلبة الجزيئية====
في هذه البنية، يوفر الاقتران الميكانيكي الكمومي بين دوران الذرات المجاورة داخل المادة الصلبة الجزيئية اللاخطية اللازمة لإنشاء فضاء حوسبة ذي أبعاد أعلى.<ref name=":3" /> ثم يُثار الخزان باستخدام إشعاع كهرومغناطيسي بتردد راديوي مضبوط على ترددات الرنين للدوران النووي ذي الصلة.<ref name=":3" /> تحدث القراءة عن طريق قياس حالات الدوران النووي.<ref name=":3" />
====حوسبة الخزان القائمة على حواسيب كمومية فائقة التوصيل قريبة المدى القائمة على البوابة====
نموذج الحوسبة الكمومية الأكثر شيوعًا هو النموذج القائم على البوابة، حيث تُنفذُ الحوسبة الكمومية من خلال تطبيقات متسلسلة للبوابات الكمومية الوحدوية على كيوبيتات حاسوب كمومي.<ref>{{Citation|last1=Nielsen|first1=Michael|last2=Chuang|first2=Isaac|title=Quantum Computation and Quantum Information|publisher=Cambridge University Press Cambridge|date=2010|edition=2}}</ref> بُلِّغ عن نظرية لتنفيذ حوسبة الخزان على حاسوب كمومي قائم على البوابة مع توضيحات إثبات المبدأ على عدد من أجهزة الحوسبة الكمية متوسطة الحجم فائقة التوصيل من إنتاج شركة IBM.<ref name="JNY20"/><ref>John Preskill. "Quantum Computing in the NISQ era and beyond." Quantum 2,79 (2018)</ref>
==المراجع==
==المراجع==
{{مراجع}}
{{مراجع}}
سطر 99: سطر 106:
|image = حوسبة_الخزان.webp
|image = حوسبة_الخزان.webp
}}
}}
{{Short description|احوسبة الخزان هي إطار للحوسبة مشتق من نظرية الشبكات العصبونية المتكررة التي تربط إشارات الإدخال إلى مساحات حوسبة ذات أبعاد أعلى من خلال ديناميات نظام ثابت غير خطي يدعى الخزان.}}
{{Short description|حوسبة الخزان هي إطار للحوسبة مشتق من نظرية الشبكات العصبونية المتكررة التي تربط إشارات الإدخال إلى مساحات حوسبة ذات أبعاد أعلى من خلال ديناميات نظام ثابت غير خطي يدعى الخزان.}}

المراجعة الحالية بتاريخ 10:39، 23 سبتمبر 2024

كتبها لويكي عربية— عبد العزيز
حوسبة الخزان
مشهد تخيلي لحوسبة الخزان، صورة مولدة بالذكاء الصنعي

حوسبة الخزان أو حوسبة المُكْنز (بالإنجليزية: Reservoir computing)‏ هي إطار للحوسبة مشتق من نظرية الشبكات العصبونية المتكررة التي تربط إشارات الإدخال إلى مساحات حوسبة ذات أبعاد أعلى من خلال ديناميات نظام ثابت غير خطي يدعى الخزان.[1]

تُدرب آلية قراءة بسيطة لقراءة حالة الخزان وربطها إلى المخرجات المطلوبة، بعد إدخال إشارة الدخل إلى الخزان، الذي يُعامل كـ "صندوق أسود".[1]

تكمن الفائدة الأولى من فوائد هذا الإطار في أن التدريب يكون أثناء مرحلة القراءة فقط، حيث تكون ديناميات الخزان ثابتة.[1] أما الفائدة الثانية فتكمن في إمكانية استخدام الموارد الحاسوبية المتاحة، سواء الكلاسيكية أو الميكانيكية الكمومية، لتقليل الكلفة الحوسبية الفعالة.[2]

حوسبة الخزان - لمحة تاريخية

ينبع مفهوم حوسبة الخزان من استخدام التوصيلات التكرارية داخل الشبكات العصبية لإنشاء نظام ديناميكي معقد.[3] وهو تعميم لبُنى الشبكات العصبية السابقة مثل الشبكات العصبية التكرارية، وآلات الحالة السائلة (بالإنجليزية: liquid state machine (LSM))‏، وشبكات حالة الصدى.

تمتد حوسبة الخزان أيضًا إلى الأنظمة الفيزيائية التي لا تعتبر شبكات بالمعنى التقليدي، بل هي أنظمة مستمرة في المكان والزمان: على سبيل المثال، يمكن استخدام "دلو من الماء" كخزان يقوم بالحسابات على المدخلات المقدمة كاضطرابات للسطح.[4]

وُجِد أن التعقيد الناتج عن هذه الشبكات العصبية المتكررة مفيد في حل مجموعة متنوعة من المشكلات، بما في ذلك معالجة اللغة ومحاكاة الأنظمة الديناميكية. ومع ذلك، فإن تدريب الشبكات العصبية المتكررة أمرًا صعب ومكلف من الناحية الحاسوبية.[3]

تُقلّل حوسبة الخزان من تلك التحديات المتعلقة بالتدريب عن طريق تثبيت ديناميات الخزان وتدريب الطبقة الخطية للخرج فقط.[3]

يمكن أن تعمل مجموعة كبيرة ومتنوعة من الأنظمة الديناميكية غير الخطية كخزان يقوم بالحسابات. وفي السنوات الأخيرة، جَذب الليزر شبه الموصل اهتمامًا كبيرًا نظرًا لفعالية استخدامه في الحوسبة السريعة من حيث استهلاك الطاقة مقارنة بالمكونات الكهربائية التقليدية.

قدمت التطورات الأخيرة في مجال الذكاء الاصطناعي ونظرية المعلومات الكمومية مفهوم الشبكات العصبية الكمومية.[5] تعد هذه الشبكات العصبية الكمومية واعدة في معالجة المعلومات الكمومية، التي تمثل تحديًا للشبكات التقليدية، كما يمكن تطبيقها أيضا في حل المشكلات التقليدية.[5][6]

عُرض أول تجسيد فيزيائي لهندسة حوسبة الخزان الكمومية في شكل دوارات نووية داخل جسم جزيئي في عام 2018.[6] ومع ذلك، لم تثبت تجارب الدوران النووي حوسبة الخزان الكمومية في حد ذاتها، حيث لم تتضمن معالجة البيانات التسلسلية.[6] كانت البيانات مدخلات متجهة بدلاً من ذلك، مما يجعل هذا عرضًا أكثر دقة للتطبيق الكمي لخوارزمية حوض المطبخ العشوائي -(بالإنجليزية: random kitchen sink)‏ (وتسمى أيضًا آلات التعلم القصوى في بعض المجتمعات).[7]

اقتُرح تطبيق محتمل آخر لمعالجات الخزان الكمومي في شكل شبكات فرميونية ثنائية الأبعاد في عام 2019.[6]

كما اقتُرح ووُضِّح تحقيق حوسبة الخزان على أجهزة الكمبيوتر الكمومية القائمة على البوابة - (بالإنجليزية: gate-based quantum computers)‏ على أجهزة الكمبيوتر الكمومية القريبة المدى فائقة التوصيل (بالإنجليزية: near-term quantum computers)‏ التي تعمل على السحابة من IBM في عام 2020.[8]

استخدمت أجهزة الكمبيوتر الخزانية لأغراض تحليل السلاسل الزمنية. وتتضمن بعض استخداماتها التنبؤ بالسلاسل الزمنية الفوضوية (بالإنجليزية: chaotic time-series)‏،[9][10] وفصل الإشارات الفوضوية (بالإنجليزية: chaotic signals)‏،[11] واستنتاج الروابط بين الشبكات من دينامياتها.[12]

حوسبة الخزان الكلاسيكية

الخزان

يعتبر "الخزان" أو المُكْنِز في الحوسبة الخزانية هو البنية الداخلية للحاسوب، ويجب أن يكون له خاصيتان:

  1. أن يتكون من وحدات فردية غير خطية.
  2. يجب أن يكون قادرًا على تخزين المعلومات.

تصف اللاخطية استجابة كل وحدة للمدخلات، وهو ما يسمح لأجهزة حوسبة الخزان بحل المشكلات المعقدة. الخزانات قادرة على تخزين المعلومات من خلال توصيل الوحدات في حلقات متكررة، حيث يؤثر الإدخال السابق على الاستجابة التالية. ويسمح التغيير في التفاعل بسبب الإدخالات السابقة لهذه الحواسيب بالتدريب لإكمال مهام محددة.[13]

يمكن أن تكون حواسيب الخزان افتراضية أو مادية.[13] وعادةً ما تُبنى الخزانات الافتراضية عشوائيا وتصمم مثل الشبكات العصبونية.[13] [3] يمكن تصميم الخزانات الافتراضية لتكون غير خطية بحلقات متكررة، ولكن، وبخلاف الشبكات العصبونية، تكون الاتصالات بين الوحدات عشوائية وتبقى دون تغيير طوال الحساب.[13]

تعتبر حواسيب الخزان المادية ممكنة بسبب الطبيعة غير الخطية المتأصلة في بعض الأنظمة الطبيعية، على سبيل المثال، تفاعل التموجات على سطح الماء يعكس الديناميات غير الخطية اللازمة لإنشاء خزان، وهذا ما استُغل في تطوير نظام للتعرف على الأنماط عن طريق إدخال تموجات بواسطة محركات كهربائية ةمن ثم تحليلها.[1]

القراءة

تعتبر القراءة طبقة شبكية عصبونية تقوم بتحويل خطي لإخراج الخزان.[1] حيث تُدرب أوزان طبقة القراءة بتحليل الأنماط المكانية الزمنية للخزان بعد تنبيهها بواسطة مدخلات معروفة باستخدام طريقة تدريب مثل الانحدار الخطي أو انحدار ريدج.[1]

تُكيف تفاصيل طرق القراءة مع كل نوع من أنواع الخزانات نظرًا لاعتماد تنفيذها على أنماط الخزان المكانية الزمنية.[1] على سبيل المثال، قد تتضمن القراءة لحاسوب خزان يستخدم حاوية سائل كخزانه مراقبة الأنماط المكانية الزمنية على سطح هذا السائل.[1]

أنواع حوسبة الخزان الكلاسيكية

شبكة الرنين السياقي

تُعد شبكة الرنين السياقي من أوائل أمثلة حوسبة الخزان.[14] تتغذى طبقة الإدخال في هذه البنية في نظام ديناميكي عالي الأبعاد يقرؤه بيرسيبترون (بالإنجليزية: Perceptron)‏ قابل للتدريب ذو طبقة واحدة.

حُدد نوعان من النظام الديناميكي:

  1. شبكة عصبونية متكررة ذات أوزان عشوائية ثابتة.
  2. نظام تفاعل-انتشار مستمر مستوحى من نموذج آلان تورينج للتشكل الحيوي.

يربط البيرسيبترون المدخلات الحالية بالإشارات التي ترتد في النظام الديناميكي وذلك في الطبقة القابلة للتدريب؛ وقيل إن الأخيرين يوفران "سياقًا" ديناميكيًا للمدخلات.

شبكة حالة الصدى

يمثل نموذج شبكة حالة صدى الصدى الشجرة (TreeESN) تعميمًا لإطار عمل حوسبة الخزان للبيانات الشجرية المنظمة.[15]

آلة الحالة السائلة الفوضوية

السائل (أي الخزان) في آلة الحالة السائلة الفوضوية (بالإنجليزية: Chaotic Liquid State Machine)‏ (CLSM)،[16][17] أو الخزان الفوضوي، يتكون من الخلايا العصبية الشائكة الفوضوية ولكنها تثبت نشاطها عن طريق الاستقرار في فرضية واحدة تصف المدخلات المدربة للآلة. وهذا على عكس الأنواع العامة من الخزانات التي لا تثبت.

يحدث تثبيت السائل من خلال المرونة المشبكية والتحكم في الفوضى التي تحكم التوصيلات العصبية داخل السائل. أظهرت آلة الحالة السائلة الفوضوية نتائج واعدة في تعلم البيانات التسلسلية الحساسة.[16][17]


الحوسبة العابرة غير الخطية

يعد هذا النوع من معالجة المعلومات أكثر أهمية عندما تبتعد إشارات الإدخال المعتمدة على الوقت عن الديناميات الداخلية للآلية.[18] تتسبب هذه الانحرافات في حدوث تحولات أو اضطرابات مؤقتة تُمثلُ في خرج الجهاز.[18]

حوسبة الخزان العميقة

إن توسيع إطار عمل الحوسبة الخزانية نحو التعلم العميق، مع إدخال حوسبة الخزان العميقة (بالإنجليزية: Deep Reservoir Computing)‏ ونموذج شبكة حالة الصدى العميق (بالإنجليزية: Deep Echo State Network)‏ (DeepESN)[19][20][21][22] يسمح بتطوير نماذج مدربة بكفاءة للمعالجة الهرمية للبيانات الزمنية، في نفس الوقت الذي يتيح التحقيق في الدور المتأصل للتكوين الطبقي في الشبكات العصبية المتكررة.

حوسبة الخزان الكمومية

قد تستخدم الحوسبة الكمومية الخزانية الطبيعة غير الخطية للتفاعلات أو العمليات الميكانيكية الكمومية لتشكيل الخزانات غير الخطية المميزة[5][6][23][8] ويمكن أيضًا إجراؤها باستخدام الخزانات الخطية عندما يؤدي حقن المدخلات في الخزان إلى إنشاء اللاخطية.[24] أدى دمج التعلم الآلي والأجهزة الكمومية إلى ظهور الحوسبة الكمومية العصبية كمجال بحثي جديد.[25]

أنواع حوسبة الخزان الكمومية

الحالات الغاوسية للمذبذبات التوافقية الكمومية المتفاعلة

الحالات غاوسية هي فئة نموذجية من حالات الأنظمة الكمية المتغيرة المتصلة. على الرغم من إمكانية إنشائها ومعالجتهاا في منصات بصرية متطورة حاليًا، فهي تتمتع بمقاومة طبيعية لفقدان التماسك، من المعروف جيدًا أنها غير كافية للحوسبة الكمية الشاملة لأن التحولات التي تحافظ على طبيعة غاوسية الحالة هي خطية.[26][27]

عادةً، لا تكون الديناميات الخطية كافية لحوسبة الخزان غير البديهية. ومع ذلك، من الممكن تسخير مثل هذه الدينامية لأغراض حوسبة الخزان عن طريق النظر في شبكة من المذبذبات التوافقية الكمومية المتفاعلة وحقن المدخل عن طريق إعادة تعيين دورية لحالة مجموعة فرعية من المذبذبات.

مع اختيار مناسب لكيفية اعتماد حالات هذه المجموعة الفرعية من المذبذبات على المدخلات، يمكن أن تصبح ملاحظات بقية المذبذبات دوالاً غير خطية للمدخل مناسبة لحوسبة الخزان.

أصبحت حوسبة الخزان بفضل خصائص هذه الدوال بالتأكيد ممكنة عن طريق الجمع بين الملاحظات ودالة القراءة متعددة الحدود.[24] من حيث المبدأ، يمكن تنفيذ مثل حوسبة الخزان هذه باستخدام العمليات البارامتراتية الضوئية متعددة الوضعية المتحكم فيها،[28] ومع ذلك، فإن استخراج المخرجات بكفاءة من النظام يمثل تحديًا، خاصة في النظام الكمومي حيث يجب مراعاة تأثير القياس العكسي.

شبكات النقاط الكمومية ثنائية الأبعاد

يمنح الاقتران العشوائي بين مواقع الشبكة الخزان خاصية "الصندوق الأسود" المميزة للمعالجات الخزانية في هذه البنية.[5] ثم يُثار الخزان، والذي يعمل كمدخل، بواسطة مجال بصري وارد. تحدث القراءة في شكل أعداد وظيفية لمواقع الشبكة، والتي هي دوال غير خطية طبيعية للمدخل.[5]

الدوران النووي في المواد الصلبة الجزيئية

في هذه البنية، يوفر الاقتران الميكانيكي الكمومي بين دوران الذرات المجاورة داخل المادة الصلبة الجزيئية اللاخطية اللازمة لإنشاء فضاء حوسبة ذي أبعاد أعلى.[6] ثم يُثار الخزان باستخدام إشعاع كهرومغناطيسي بتردد راديوي مضبوط على ترددات الرنين للدوران النووي ذي الصلة.[6] تحدث القراءة عن طريق قياس حالات الدوران النووي.[6]

حوسبة الخزان القائمة على حواسيب كمومية فائقة التوصيل قريبة المدى القائمة على البوابة

نموذج الحوسبة الكمومية الأكثر شيوعًا هو النموذج القائم على البوابة، حيث تُنفذُ الحوسبة الكمومية من خلال تطبيقات متسلسلة للبوابات الكمومية الوحدوية على كيوبيتات حاسوب كمومي.[29] بُلِّغ عن نظرية لتنفيذ حوسبة الخزان على حاسوب كمومي قائم على البوابة مع توضيحات إثبات المبدأ على عدد من أجهزة الحوسبة الكمية متوسطة الحجم فائقة التوصيل من إنتاج شركة IBM.[8][30]

المراجع

  1. ↑ 1٫0 1٫1 1٫2 1٫3 1٫4 1٫5 1٫6 1٫7 Tanaka، Gouhei؛ Yamane، Toshiyuki؛ Héroux، Jean Benoit؛ Nakane، Ryosho؛ Kanazawa، Naoki؛ Takeda، Seiji؛ Numata، Hidetoshi؛ Nakano، Daiju؛ Hirose، Akira (2019). "Recent advances in physical reservoir computing: A review". Neural Networks. ج. 115: 100–123. arXiv:1808.04962. DOI:10.1016/j.neunet.2019.03.005. ISSN:0893-6080. PMID:30981085.
  2. ↑ Röhm، André؛ Lüdge، Kathy (3 أغسطس 2018). "Multiplexed networks: reservoir computing with virtual and real nodes". Journal of Physics Communications. ج. 2 ع. 8: 085007. arXiv:1802.08590. Bibcode:2018JPhCo...2h5007R. DOI:10.1088/2399-6528/aad56d. ISSN:2399-6528.
  3. ↑ 3٫0 3٫1 3٫2 3٫3 Benjamin Schrauwen, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471–482.
  4. ↑ Fernando، C.؛ Sojakka، Sampsa (2003). "Pattern Recognition in a Bucket". Advances in Artificial Life. Lecture Notes in Computer Science. ج. 2801. ص. 588–597. DOI:10.1007/978-3-540-39432-7_63. ISBN:978-3-540-20057-4. S2CID:15073928.
  5. ↑ 5٫0 5٫1 5٫2 5٫3 5٫4 Ghosh، Sanjib؛ Opala، Andrzej؛ Matuszewski، Michał؛ Paterek، Tomasz؛ Liew، Timothy C. H. (ديسمبر 2019). "Quantum reservoir processing". npj Quantum Information. ج. 5 ع. 1: 35. arXiv:1811.10335. Bibcode:2019npjQI...5...35G. DOI:10.1038/s41534-019-0149-8. ISSN:2056-6387. S2CID:119197635.
  6. ↑ 6٫0 6٫1 6٫2 6٫3 6٫4 6٫5 6٫6 6٫7 Negoro، Makoto؛ Mitarai، Kosuke؛ Fujii، Keisuke؛ Nakajima، Kohei؛ Kitagawa، Masahiro (28 يونيو 2018). "Machine learning with controllable quantum dynamics of a nuclear spin ensemble in a solid". arXiv:1806.10910 [quant-ph].
  7. ↑ Rahimi، Ali؛ Recht، Benjamin (ديسمبر 2008). "Weighted Sums of Random Kitchen Sinks: Replacing minimization with randomization in Learning" (PDF). NIPS'08: Proceedings of the 21st International Conference on Neural Information Processing Systems: 1313–1320.
  8. ↑ 8٫0 8٫1 8٫2 Chen، Jiayin؛ Nurdin، Hendra؛ Yamamoto، Naoki (24 أغسطس 2020). "Temporal Information Processing on Noisy Quantum Computers". Physical Review Applied. ج. 14 ع. 2: 024065. arXiv:2001.09498. Bibcode:2020PhRvP..14b4065C. DOI:10.1103/PhysRevApplied.14.024065. S2CID:210920543.
  9. ↑ Pathak، Jaideep؛ Hunt، Brian؛ Girvan، Michelle؛ Lu، Zhixin؛ Ott، Edward (12 يناير 2018). "Model-Free Prediction of Large Spatiotemporally Chaotic Systems from Data: A Reservoir Computing Approach". Physical Review Letters. ج. 120 ع. 2: 024102. Bibcode:2018PhRvL.120b4102P. DOI:10.1103/PhysRevLett.120.024102. PMID:29376715.
  10. ↑ Vlachas، P.R.؛ Pathak، J.؛ Hunt، B.R.؛ Sapsis، T.P.؛ Girvan، M.؛ Ott، E.؛ Koumoutsakos، P. (21 مارس 2020). "Backpropagation algorithms and Reservoir Computing in Recurrent Neural Networks for the forecasting of complex spatiotemporal dynamics". Neural Networks. ج. 126: 191–217. arXiv:1910.05266. DOI:10.1016/j.neunet.2020.02.016. ISSN:0893-6080. PMID:32248008. S2CID:211146609.
  11. ↑ Krishnagopal، Sanjukta؛ Girvan، Michelle؛ Ott، Edward؛ Hunt، Brian R. (1 فبراير 2020). "Separation of chaotic signals by reservoir computing". Chaos: An Interdisciplinary Journal of Nonlinear Science. ج. 30 ع. 2: 023123. arXiv:1910.10080. Bibcode:2020Chaos..30b3123K. DOI:10.1063/1.5132766. ISSN:1054-1500. PMID:32113243. S2CID:204823815.
  12. ↑ Banerjee، Amitava؛ Hart، Joseph D.؛ Roy، Rajarshi؛ Ott، Edward (20 يوليو 2021). "Machine Learning Link Inference of Noisy Delay-Coupled Networks with Optoelectronic Experimental Tests". Physical Review X. ج. 11 ع. 3: 031014. arXiv:2010.15289. Bibcode:2021PhRvX..11c1014B. DOI:10.1103/PhysRevX.11.031014.
  13. ↑ 13٫0 13٫1 13٫2 13٫3 Soriano, Miguel C. (6 Feb 2017). "Viewpoint: Reservoir Computing Speeds Up". Physics (بEnglish). 10: 12. DOI:10.1103/Physics.10.12. hdl:10261/173181.
  14. ↑ Kevin Kirby. "Context dynamics in neural sequential learning." Proceedings of the Florida Artificial Intelligence Research Symposium FLAIRS (1991), 66–70.
  15. ↑ Gallicchio، Claudio؛ Micheli، Alessio (2013). "Tree Echo State Networks". Neurocomputing. ج. 101: 319–337. DOI:10.1016/j.neucom.2012.08.017. hdl:11568/158480.
  16. ↑ 16٫0 16٫1 Aoun، Mario Antoine؛ Boukadoum، Mounir (2014). "Learning algorithm and neurocomputing architecture for NDS Neurons". 2014 IEEE 13th International Conference on Cognitive Informatics and Cognitive Computing. IEEE. ص. 126–132. DOI:10.1109/icci-cc.2014.6921451. ISBN:978-1-4799-6081-1. S2CID:16026952.
  17. ↑ 17٫0 17٫1 Aoun، Mario Antoine؛ Boukadoum، Mounir (2015). "Chaotic Liquid State Machine". International Journal of Cognitive Informatics and Natural Intelligence. ج. 9 ع. 4: 1–20. DOI:10.4018/ijcini.2015100101. ISSN:1557-3958.
  18. ↑ 18٫0 18٫1 Crook، Nigel (2007). "Nonlinear Transient Computation". Neurocomputing. ج. 70 ع. 7–9: 1167–1176. DOI:10.1016/j.neucom.2006.10.148.
  19. ↑ Pedrelli، Luca (2019). Deep Reservoir Computing: A Novel Class of Deep Recurrent Neural Networks (PhD thesis). Università di Pisa.
  20. ↑ Gallicchio، Claudio؛ Micheli، Alessio؛ Pedrelli، Luca (13 ديسمبر 2017). "Deep reservoir computing: A critical experimental analysis". Neurocomputing. ج. 268: 87–99. DOI:10.1016/j.neucom.2016.12.089. hdl:11568/851934.
  21. ↑ Gallicchio، Claudio؛ Micheli، Alessio (5 مايو 2017). "Echo State Property of Deep Reservoir Computing Networks". Cognitive Computation. ج. 9 ع. 3: 337–350. DOI:10.1007/s12559-017-9461-9. hdl:11568/851932. ISSN:1866-9956. S2CID:1077549.
  22. ↑ Gallicchio، Claudio؛ Micheli، Alessio؛ Pedrelli، Luca (ديسمبر 2018). "Design of deep echo state networks". Neural Networks. ج. 108: 33–47. DOI:10.1016/j.neunet.2018.08.002. hdl:11568/939082. ISSN:0893-6080. PMID:30138751. S2CID:52075702.
  23. ↑ Chen، Jiayin؛ Nurdin، Hendra (15 مايو 2019). "Learning nonlinear input–output maps with dissipative quantum systems". Quantum Information Processing. ج. 18 ع. 7: 198. arXiv:1901.01653. Bibcode:2019QuIP...18..198C. DOI:10.1007/s11128-019-2311-9. S2CID:57573677.
  24. ↑ 24٫0 24٫1 Nokkala، Johannes؛ Martínez-Peña، Rodrigo؛ Giorgi، Gian Luca؛ Parigi، Valentina؛ Soriano، Miguel C.؛ Zambrini، Roberta (2021). "Gaussian states of continuous-variable quantum systems provide universal and versatile reservoir computing". Communications Physics. ج. 4 ع. 1: 53. arXiv:2006.04821. Bibcode:2021CmPhy...4...53N. DOI:10.1038/s42005-021-00556-w. S2CID:234355683.
  25. ↑ Marković، Danijela؛ Grollier، Julie (13 أكتوبر 2020). "Quantum Neuromorphic Computing". Applied Physics Letters. ج. 117 ع. 15: 150501. arXiv:2006.15111. Bibcode:2020ApPhL.117o0501M. DOI:10.1063/5.0020014. S2CID:210920543.
  26. ↑ Roslund, Jonathan; de Araújo, Renné Medeiros; Jiang, Shifeng; Fabre, Claude; Treps, Nicolas (15 Dec 2013). "Wavelength-multiplexed quantum networks with ultrafast frequency combs". Nature Photonics (بEnglish). 8 (2): 109–112. arXiv:1307.1216. DOI:10.1038/nphoton.2013.340. ISSN:1749-4893. S2CID:2328402.
  27. ↑ Bartlett، Stephen D.؛ Sanders، Barry C.؛ Braunstein، Samuel L.؛ Nemoto، Kae (14 فبراير 2002). "Efficient Classical Simulation of Continuous Variable Quantum Information Processes". Physical Review Letters. ج. 88 ع. 9: 097904. arXiv:quant-ph/0109047. Bibcode:2002PhRvL..88i7904B. DOI:10.1103/PhysRevLett.88.097904. PMID:11864057. S2CID:2161585.
  28. ↑ Nokkala, J.; Arzani, F.; Galve, F.; Zambrini, R.; Maniscalco, S.; Piilo, J.; Treps, N.; Parigi, V. (9 May 2018). "Reconfigurable optical implementation of quantum complex networks". New Journal of Physics (بEnglish). 20 (5): 053024. arXiv:1708.08726. Bibcode:2018NJPh...20e3024N. DOI:10.1088/1367-2630/aabc77. ISSN:1367-2630. S2CID:119091176.
  29. ↑ Nielsen، Michael؛ Chuang، Isaac (2010)، Quantum Computation and Quantum Information (ط. 2)، Cambridge University Press Cambridge
  30. ↑ John Preskill. "Quantum Computing in the NISQ era and beyond." Quantum 2,79 (2018)
مجلوبة من «https://wikiarabia.org/index.php?title=حوسبة_الخزان&oldid=2495»
محتويات