在 2022 年 9 月 26 日发表于《混沌》（非线性科学的跨学科期刊）上的一篇文章中，来自美国俄亥俄州立大学的研究团队，详细介绍了一种先进的、适用于机器学习的下一代“储备池计算”（Reservoir Computing）方法。得益于新的算法，研究人员现可在混沌物理过程的预测工作中变得更加轻松。

(资料图片)

截图（Chaos: An Interdisciplinary Journal of Nonlinear Science）

具体说来是，该校研究人员最近发现的一种预测时空混沌系统行为的新方法，可应对以往相当复杂的地球天气变化等机器学习场景。

当将这一高效算法与下一代储层计算相结合时，混沌系统可在只需传统方法几分之一的时间内完成机器学习。

更棒的是，俄亥俄州立大学团队的算法能够做到更加准确。且与完成相同任务的竞争机器学习算法相比，只需 1/1250 ~ 1/400 的训练数据来生成更好的预测。

在运行编程Windows 10 操作系统的笔记本电脑上，新算法在几分之一秒内做出的预编程客栈测 —— 效率达到了传统机器学习算法的大约 24 万倍！

此外由于无需借助一台超级计算机来完成任务，新方案也极具成本优势。研究一作、该校物理学博士后研究员 Wendson De Sa Barbosa 表示：

这项研究成果的激动人心之处，在于让我们相信它能够在机器学习领域的数据处理效率和预测准确性方面取得了重大进步。

在物理学层面上，学习预测这些极其混乱的系统，原本是一项艰巨的挑战。但储备池计算的深入研究，为新的科学突破和发现铺平了道路。

他补充道：现代机器学习算法非常适合借助历史数据，学习其基本物理规则来预测动态系统。

一旦拥有了足够的数据和计算能力，便可使用 ML 模型对现实世界中的任何复杂模型系统展开预测。

从时钟的摆锤、到电网的中断，这样的系统可涵盖任何物理过程。

据悉，为了对整个系统展开精确预测，科学家们必须掌握相关的每一个变android量的准确信息、以及描述这些变量之间关系的模型方程 —— 其难度高到几乎不可能。

但通过适当的机器学习算法，这项新研究中使用的大气天气示例，可将先前工作中用到的近 50 万个历史训练数据点，大幅精简到只需 400 个、同时仍可达成相同或更好的准确度。

展望未来，Wendson De Sa Barbosa 希望通过进一步研究来推动时空模拟。因为我们生活在一个人类仍然知之甚少的世界，而识别这些高动态系统、并学习如何更有效的预测它们，则是非常重要的。