Una nueva investigación del Departamento de Matemáticas Aplicadas de la Universidad de Ciencias de Tokio muestra un enfoque innovador para mejorar el reservoir computing o computación de reservorio (RC), que se utiliza ampliamente en áreas como robótica, reconocimiento de voz o procesamiento del lenguaje natural, entre otras aplicaciones. El nuevo método RC, que ofrece una mejor precisión y robustez en las predicciones que el RC convencional, incorpora una lectura generalizada, incluida una combinación no lineal de variables del reservorio.
El reservoir computing es un potente módulo de aprendizaje automático diseñado para gestionar tareas que involucran datos secuenciales o basados en el tiempo, como el seguimiento de patrones a lo largo del tiempo o el análisis de secuencias. Se caracteriza por su eficiencia, ya que ofrece resultados potentes con costes de capacitación mucho más bajos que otros métodos.
Utiliza una capa de red fija y conectada aleatoriamente, conocida como reservorio, para convertir los datos de entrada en una representación más compleja. Luego, una capa de lectura analiza esta representación para encontrar patrones y conexiones en los datos. A diferencia de las redes neuronales tradicionales, que requieren un entrenamiento extenso en varias capas de red, el RC solo entrena la capa de lectura, generalmente a través de un proceso de regresión lineal simple. Esto reduce la cantidad de computación necesaria, lo que hace que el RC sea rápido y computacionalmente eficiente.
Inspirado en el funcionamiento del cerebro, el RC utiliza una estructura de red fija que aprende los resultados de una manera adaptable. Es adecuado para predecir sistemas complejos e incluso se puede utilizar en dispositivos físicos (RC físicos) para computación de alto rendimiento y eficiencia energética.
Nuevo método RC
El nuevo método RC basado en lectura generalizada se cimienta en una función matemática, h, que asigna el estado del reservorio al valor objetivo de la tarea dada, por ejemplo, un estado futuro en el caso de tareas de predicción. Esta función se basa en la sincronización generalizada, un fenómeno matemático en el que el comportamiento de un sistema puede describirse completamente mediante el estado de otro.
Estudios matemáticos recientes han demostrado que en el RC existe un mapa de sincronización generalizado entre los datos de entrada y los estados del reservorio, y la investigación de la Universidad de Ciencias de Tokio ha utilizado este mapa para derivar la función h.
Para probar su método, ha realizado estudios numéricos en sistemas caóticos. Los resultados muestran mejoras notables en la precisión, junto con la optimización de la robustez, tanto en las predicciones a corto como a largo plazo, en comparación con el RC convencional. Tanto la teoría de sincronización como el enfoque basado en la lectura generalizada son aplicables a una clase más amplia de arquitecturas de redes neuronales.