东京工业大学(TokyoTech)的工程师展示了一种计算方法，该方法使用耦合尖峰振荡器的环形网络，在模拟硬件上实现混沌动力学。这种新方法是基于混沌动力学中“不完全同步”下的出现和模式形成现象。将来，它可能会显着影响数字硬件对应物上人工神经网络中常用的传统模式检测方法。

近年来，基于人工智能(AI)的算法正在寻找各种社会应用，例如个性化医疗保健、自动驾驶、智慧城市和精准农业。部署此类算法所需的计算能力正在增加。因此，研究计划正在寻找从现有自然系统中汲取灵感的替代人工智能方法。

一种方法是物理储层计算，其中利用物理现象的一组动态元素用于将输入数据映射到高维空间。这种方法的优点是减少了对需要大量处理能力的训练算法的需求。这些水库通常可以通过非常简单的物理系统来实现，并且不需要像神经网络那样复杂的架构。

本研究中使用的电路名为Minati-Frasca电路，最初是由意大利特伦托大学和卡塔尼亚大学的研究人员发现和开发的，它非常初级，仅涉及五个无源元件和两个有源元件，同时显示出丰富的尖峰行为.“这些电路确实非常出色，是物理储层计算的自然候选者，”进行该研究的纳米传感单元负责人HiroyukiIto博士说。

东京工业大学的研究人员进行的实验包括调整Minati-Frasca电路环形网络内的混沌性和耦合强度。最初，在合适的控制参数值较低时，网络显示出周期性的尖峰，当该参数增加时，网络表现出高度不规则的行为。结合扫描耦合强度，该操作揭示了网络同步的多种方式，这意味着其中的节点表现出与波形中可以观察到的相似行为。考虑到整个网络，可以在混沌中观察到同步模式的出现，其中某些节点对优先于其他节点对同步，这种情况称为不完全同步。此外，在这个特定网络的情况下，

东京理工大学的研究人员随后引入了两个额外的因素来影响“路由同步”，即向网络中的每个节点注入相干噪声，并将网络分成两个不同的群体。前者表明，额外的噪声显着降低了周期性区域的网络同步，而在混沌区域，不完全同步的区域发生了偏移，结构上不相邻的节点的同步得到了增强。这表明网络可以以复杂的方式响应外部刺激。后一个实验将网络分成两半，一个在混乱中运行，另一个在周期性中运行。

用耦合强度扫描检查了这种条件下的同步路径，产生了两个群体之间同步行为的显着多样化。在混沌半内同步强度稳步增加，而周期半则表现出非单调效应，即扫描耦合强度时出现多个极小值。此外，在详细调查同步模式后，揭示了一种对抗行为，显示周期性一半的初始同步，然后被混乱的一半超越，然后是最终的整体同步两半之间。这种效应进一步强调了该网络的生成潜力。从本质上讲，两个群体的二元分裂显示了该网络在用于物理储层计算时可能会暴露的输入扰动的高度简化场景。

因此，研究人员在他们的研究中考虑了该网络，并提议通过利用上述各种现象，在未来将其用于实现储层计算。“来自机器学习的背景，网络中的耦合让我想起了使用神经网络。然而，起初我无法理解变化的动态和混乱的含义，因为传统的人工智能算法往往没有它们的先天性动态活动，”这项研究的主要作者之一吉姆巴特尔斯说。“我意识到利用这些动态计算可以很好地适应油藏计算领域，这仍然是一个不断增长的研究领域。”

在这次采访之后，该团队解释了为什么这种类型的储层计算可能对社会应用有益。“我们在纳米传感单元中开展的主要研究领域之一是物联网(IoT)设备和边缘计算的时间序列分类，例如动物行为分类。这些设备的一个非常重要的考虑因素是它们的电池寿命，因为它决定了具体采用的障碍。物理储层(例如我们提出的储层)令人兴奋的是，在未来尚未建立的集成实现中，它可以以比大型数字神经网络更低的功率运行.由于该电路代表了已知的最小类型的尖峰产生振荡器之一，超出了目前的概念验证阶段，神经网络，”他们评论道。

该研究的主要作者LudovicoMinati。最近发表在《混沌、孤子和分形》杂志上的一篇文章报告了所进行的实验、硬件设计、结果及其讨论。此外，所有设计材料和实验数据都可以免费下载。