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.^[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 (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]

المراجع

↑ ^1٫0 ^1٫1 ^1٫2 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.
↑ 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.
↑ ^3٫0 ^3٫1 ^3٫2 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.
↑ 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.
↑ ^5٫0 ^5٫1 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.
↑ 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]. {{استشهاد بأرخايف}}: الوسيط |arxiv= مطلوب (مساعدة)

[:4-1] 1٫0 ^1٫1 ^1٫2 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.

[:0-3] 3٫0 ^3٫1 ^3٫2 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.

[:2-5] 5٫0 ^5٫1 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.

[:3-6] 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]. {{استشهاد بأرخايف}}: الوسيط |arxiv= مطلوب (مساعدة)

[1]

[2]

[3]

[4]

[5]

[6]