Резервуарные вычислительные системы, которые превосходят обычные нейронные сети по мощности и объему затраченного времени на обучение, в прошлом создавались при помощи больших оптических элементов. Специалисты Мичиганского университета, однако, сделали ставку на мемристоры, которые требуют меньше места и которые легче интегрировать в существующую кремниевую электронику, пишет Phys.org.

Для того чтобы обучить нейронную сеть, требуются дни или даже месяцы, и чем сложнее задача, тем больше знаний нужно в нее вложить, и тем дороже обходится обучение. Резервуарные вычислительные системы на мемристорах позволяют отбросить большую часть тренировочного процесса и добиться того же результата быстрее, поскольку наиболее важный компонент системы — резервуар — не требует обучения.

Когда в резервуар попадает набор данных, он распознает главные свойства данных и передает их в упрощенном формате вторичной сети. Обучение необходимо только ей. Такие системы особенно хорошо приспособлены для обработки данных, которые меняются со временем — например, потоков слов или функций, зависящих от предыдущих результатов.

Авторы исследования планируют использовать свое изобретение в распознавании речи и упреждающем анализе. «Мы можем прогнозировать естественную речь, так что вам даже не придется произносить слово целиком, — говорит профессор Вэй Лу. — Мы сможем предсказывать, что вы произнесете через секунду».

Британские ученые из Университета Саутгемптона тоже считают, что мемристоры — это самый вероятный путь к успеху при создании нейронных сетей, которые смогут имитировать человеческий мозг. Они тоже разработали экспериментальную нейросеть которая использует в качестве синапсов мемристоры.