机构名称：
¥ 3.0
摘要本文的特定目的在于：为材料科学、化学或电子学等领域的读者提供利用其材料系统实施储层计算 (RC) 实验的概述。关于该主题的介绍性文献很少，绝大多数评论都提出了 RC 的基本概念，这些概念对于不熟悉机器学习领域的人来说可能并不简单（例如，参见参考文献 Lukoˇseviˇcius (2012 Neural Networks: Tricks of the Trade (Berlin: Springer) pp 659–686)。考虑到大量表现出非线性行为和短期记忆的材料系统可用于设计新颖的计算范式，这是令人遗憾的。RC 提供了一个使用材料系统进行计算的框架，该框架可以避免在硬件上实现传统的、功能齐全的前馈神经网络时出现的典型问题，例如最小的设备间变异性以及对每个单元/神经元和连接的控制。相反，可以使用随机的、未经训练的储存器，其中仅优化输出层，例如使用线性回归。在下文中，我们将重点介绍 RC 在基于硬件的神经网络中的潜力，以及相对于更传统的方法，以及在实施过程中需要克服的障碍。准备一个高维非线性系统作为特定任务的高性能储存器并不像乍看起来那么容易。我们希望本教程能够降低科学家试图利用他们的非线性系统进行通常在机器学习和人工智能领域执行的计算任务的障碍。与本文配套的模拟工具可在线获取 7 。
实践储层计算：实际实施教程
主要关键词
相关文件推荐
![NISQ 量子计算：以安全为中心的教程和调查 [专题]](/simg/6/6ffd5e16441e2334955f711930b8c14e8e3a15d6.png)
