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] وجد 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]

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 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.

[: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 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.

[1]

[2]

[3]

[4]