據外媒報道，一種相對較新的模擬人腦工作方式的計算方式已經改變了科學家解決一些最困難的信息處理問題的方式。現在，研究人員發現了一種方法，它可以使所謂的“儲層計算”的工作速度提高3300到100萬倍，而所需的計算資源和數據輸入則大大減少。
事實上，在對下一代油藏計算的一次測試中，研究人員在台式電腦上只用了不到一秒的時間解決了一個複雜的計算問題。
該研究的論文主要作者、俄亥俄州立大學的物理學教授Daniel Gauthier指出，使用目前最先進的技術，同樣的問題需要超級計算機來解決且需要更長的時間。
Gauthier說道：“跟目前的油藏計算相比，我們可以用更少的計算機資源，在很短的時間內完成非常複雜的信息處理任務。與以前相比，油藏計算已經取得了顯著的進步。”
這項研究於2021年9月21日發表在《Nature Communications》上。
Gauthier稱，水庫計算是一種機器學習算法，開發於21世紀初，用於解決“最難中的最難”的計算問題如預測隨時間變化的動力系統的進化。
他表示，動力系統就像天氣一樣，是很難預測的，因為一種情況下的一個小變化可能會產生巨大的影響。一個著名的例子就是“蝴蝶效應”，這是一個隱喻性的例子，蝴蝶扇動翅膀所產生的變化最終會影響幾周后的天氣。
Gauthier表示，之前的研究表明，儲層計算非常適合學習動力系統，可以提供關於它們未來行為的準確預測。它通過使用人工神經網絡來做到這一點，這有點像人類的大腦。科學家將動態網絡中的數據輸入一個由隨機連接的人工神經元組成的“庫”中。該網絡產生有用的輸出，科學家可以解釋並反饋到該網絡，然後建立一個越來越準確的預測，該系統將如何在未來發展。
系統越大、越複雜、科學家希望預測到的結果越準確，那麼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。
Gauthier指出，一個問題是，人造神經元的儲存庫是一個“黑盒子”，科學家們還不知道它裡面到底發生了什麼，他們只知道它在工作。
Gauthier稱，水庫計算的核心人工神經網絡是建立在數學基礎上的。
“我們讓數學家研究這些網絡，並問‘機器中的所有這些部件在多大程度上真的需要?’”他說道。
在這項研究中，Gauthier和他的同事調查了這個問題，結果發現整個油藏計算系統可以大大簡化、大大減少對計算資源的需求及節省大量時間。
他們在一個預報任務中測試了他們的概念，該任務涉及到Edward Lorenz開發的天氣系統，他的工作使我們理解了蝴蝶效應。
在Lorenz預測任務中，他們的下一代油藏計算技術明顯優於當今的先進技術。在一台台式機上進行的一個相對簡單的模擬中，新系統比現有模型快33到163倍。
但當目標是提高預測的準確性時，下一代油藏計算速度則要快100萬倍。Gauthier表示，新一代的計算機只需要28個神經元就能達到同樣的精度，而現在的模型需要4000個神經元。
加速的一個重要原因是，跟當前一代相比，下一代存儲計算背後的“大腦”需要更少的熱身和訓練才能產生相同的結果。
熱身是訓練數據，這些數據需要作為輸入添加到蓄水池計算機中以使其為實際任務做好準備。
“對於我們的下一代油藏計算幾乎不需要熱身時間，”Gauthier說道，“目前，科學家必須放入1000或10000個或更多的數據點來使其熱身。這些都是丟失的數據，在實際工作中是不需要的。我們只需要輸入一、二、三個數據點。”
一旦研究人員準備好訓練水庫計算機進行預測，那麼下一代系統需要的數據就會少很多。
在Lorenz預測任務的測試中，研究人員使用400個數據點可以得到跟當前一代使用5000個或更多數據點產生的相同結果，這取決於所需的準確性。
Gauthier說道：“令人興奮的是，下一代油藏計算技術採用了已經非常優秀的技術，大大提高了效率。”
他和他的同事們計劃將這項工作擴展到更複雜的計算問題上，如預測流體動力學。“這是一個極具挑戰性的問題。我們想看看是否可以使用簡化的油藏計算模型加快解決這個問題的進程，”Gauthier說道。