摘要：研究人员应用了同步的数学理论，以阐明复发性神经网络（RNN）如何产生预测，并基于广义同步揭示了一定的图，从而产生正确的目标值。他们表明，常规的储层计算（RC）（一种RNN）可以看作是线性近似，并引入了“广义读数”，并结合了进一步的订单近似值。他们使用混乱的时间序列预测任务，证明这种方法显着提高了预测准确性和鲁棒性。...

研究人员应用了同步的数学理论，以阐明复发性神经网络（RNN）如何产生预测，并基于广义同步揭示了一定的图，从而产生正确的目标值。他们表明，常规的储层计算（RC）（一种RNN）可以被视为线性近似，并引入了“广义读数”，其中包含了进一步的阶近近似值。他们使用混乱的时间序列预测任务，证明这种方法显着提高了预测准确性和鲁棒性。

储层计算（RC）是一个强大的机器学习模块，旨在处理涉及基于时间或顺序数据的任务，例如随着时间的时间模式或分析序列。它被广泛用于金融，机器人技术，语音识别，天气预报，自然语言处理以及预测复杂的非线性动力学系统等领域。与其他方法相比，RC与众不同的是它的效率 - 它的培训成本低得多，其培训成本要低得多。

RC使用固定的，随机连接的网络层（称为储层）将输入数据转换为更复杂的表示。然后，读取层分析此表示形式，以查找数据中的模式和连接。与需要在多个网络层进行广泛培训的传统神经网络不同，RC通常通过简单的线性回归过程训练读数层。这大大减少了所需的计算量，从而使RC快速和计算有效。受大脑工作原理的启发，RC使用固定的网络结构，但以适应性的方式学习了输出。它尤其擅长预测复杂系统，甚至可以在物理设备（称为物理RC）上用于节能，高性能计算。但是，可以进一步优化吗？

日本东京科学大学应用数学系Masanobu Inubushi博士和Akane Ohkubo女士的最新研究提出了一种增强RC的新方法。 Inubushi博士解释说：“从最近的广义同步数学研究中汲取灵感，我们开发了一个新颖的RC框架，其中包含了广义读数，包括储层变量的非线性组合。” “与常规RC相比，该方法具有提高的准确性和鲁棒性。”他们的发现于2024年12月28日发表科学报告。

新的总体读数RC方法取决于数学功能，h，将储层状态映射到给定任务的目标值，例如 - 在预测任务的情况下是未来状态。该函数基于广义同步，这是一种数学现象，其中一个系统的行为可以由另一个系统的状态充分描述。最近的研究表明，在RC中，输入数据和储层状态之间存在广泛的同步图，研究人员使用此图来得出功能h。

为了解释这一点，研究人员使用了泰勒的系列扩展，将复杂的功能简化为较小，更易于管理的段。相比之下，他们的广义读取方法结合了储层变量的非线性组合，允许以更复杂和灵活的方式连接数据以揭示更深的模式。这提供了更一般，更复杂的表示h，使读数层能够在输入数据中捕获更复杂的基于时间的模式，从而提高精度。尽管这一增加了复杂性，但学习过程仍然像常规RC一样简单且计算上的效率。

为了测试他们的方法，研究人员对洛伦兹和罗斯勒吸引子等混沌系统进行了数值研究 - 数学模型以其无法预测的大气行为而闻名。结果表明，与常规RC相比，在短期和长期预测中，精度的提高以及鲁棒性的意外增强。

Inubushi博士解释说：“我们广泛的读数方法将严格的数学与实际应用相结合。虽然最初在RC的框架内开发，但同步理论和基于广义的读取方法都适用于更广泛的神经网络体系结构。”

尽管需要进一步的研究来充分探索其潜力，但基于广义的RC方法代表了对各种领域的承诺的重大进步，这标志着储层计算方面的激动人心的一步。