儲備池計算是一種模仿人腦工作方式的計算方法。美國科學家在最新一期《自然·通信》雜志上撰文稱，他們找到了一種新方法，將儲備池計算的速度提高33到100萬倍，而所需的計算資源和數據輸入卻大大減少，新一代儲備池計算有助于解決一些最困難的信息處理問題，比如預測流體的動態等。

事實上，在一次測試中，研究人員在臺式計算機上用不到一秒鐘的時間就解決了一個復雜的計算問題。研究主要作者、美國俄亥俄州立大學物理學教授丹尼爾·高蒂爾說，同樣的問題需要超級計算機來解決，而且需要更長時間。

高蒂爾解釋稱，儲備池計算是21世紀初出現的一種機器學習算法，用于解決“最難”的計算問題，如預測動力系統(比如天氣)隨時間的演化情況。以前的研究表明，儲備池計算非常適合學習動力系統并準確預測它們未來的行為。

它使用類似人腦的人工神經網絡實現這一點。科學家將動態網絡上的數據輸入網絡中隨機連接的人工神經元組成的儲備池內。網絡產生有用的輸出，科學家可對其進行解釋并輸入網絡中，從而對系統未來的發展作出越來越準確的預測。系統越大、越復雜，科學家們希望預測得越準確，為此人工神經元網絡就必須越大，完成任務所需的計算資源和時間也就越多。

在最新研究中，高蒂爾及其同事對整個儲備池計算系統進行了簡化，從而顯著減少了所需的計算資源并節省大量計算時間。結果表明，在不同的測試中，新系統比當前系統可以快33到100萬倍。而且，與當前一代模型需要4000個神經元相比，新一代計算僅需28個神經元就達到了同樣的精度。

高蒂爾進一步指出：“科學家目前必須輸入1000或10000個數據點或更多數據點對儲備池計算機進行預熱——對需要輸入儲備池計算機的數據進行訓練，但新系統只需要輸入兩三個數據點。”在測試中，他們用400個數據點獲得了與現在使用5000或更多數據點相同的結果。

儲備池計算被認為是神經網絡的一種拓展框架，或者說，一種新的神經網絡訓練方法。有意思的是，我們一直以為計算系統中的人工神經元是越多越好，但實際上，越多的神經元當然能解決越復雜的問題，但同樣會帶來對龐大資源的消耗，如果能“縮減開支”——以更少的神經元解決同樣精度的問題，則是一個非常值得努力的方向。現在儲備池計算的新成果，就讓人們看到了這樣的曙光。( 劉霞)