Исследователи разработали материал, который распознает звук и может быть использован для датчиков автономных транспортных средств

Различные формы распознавания образов, особенно машинное обучение, широко используются в различных современных технологиях. Обнаружив шаблоны в данных, машинное обучение может преобразовать эти шаблоны в понятную информацию, например, идентифицировать объекты на пути следования самоуправляемого автомобиля или идентифицировать тепловые характеристики злоумышленника.

Аналогично машинному обучению, новая структура под названием « Reservoir Computing» может использоваться для обучения шаблонов из данных. Ключевым элементом такой формы расчета является использование сложной системы, с помощью которой производится двойной расчет информации. Все это можно сделать с помощью циркулирующей нейронной сети (RNN), которая использует силовую систему или « резервный пул» для выполнения задач распознавания образов.

Тем не менее, традиционные RNN, состоящие из большого количества независимых, взаимосвязанных узлов или нейронов с несколькими параметрами, могут сделать такие системы неуклюжими, трудными для обучения и даже привести к высокому потреблению энергии, что препятствует применению. Расчеты резервного пула упрощают это путем случайного выбора параметров и обучения только выходным узлам, что значительно снижает сложность.

Недавние исследования переключились на использование физических основ, способных выполнять задачи распознавания образов для вычислений резервного пула. До тех пор, пока такие материалы достаточно сложны, нелинейны (изменения в входе не обязательно совпадают с изменениями в выходе) и обладают постепенно уменьшающимися характеристиками памяти, то есть способность системы запоминать сигналы, введенные в прошлом, со временем уменьшается, она может играть роль резервного пула.