[论文解读] Reconfigurable Reservoir Computing in a Magnetic Metamaterial

Ian T. Vidamour, Charles Swindells+11 more|arXiv (Cornell University)|Jun 9, 2022

Neural Networks and Reservoir Computing被引用 4

一句话总结

本文展示了利用由电可访问、相互连接的磁性纳米环构成的磁性超材料实现可重构的储层计算。通过动态改变输入和输出配置，该系统利用材料的多种非线性动力学行为，在各类基准任务中实现了最先进的性能，从而实现了可编程、非易失性且高度可配置的物理计算。

ABSTRACT

In-materia reservoir computing (RC) leverages the intrinsic physical responses of functional materials to perform complex computational tasks. Magnetic metamaterials are exciting candidates for RC due to their huge state space, nonlinear emergent dynamics, and non-volatile memory. However, to be suitable for a broad range of tasks, the material system is required to exhibit a broad range of properties, and isolating these behaviours experimentally can often prove difficult. By using an electrically accessible device consisting of an array of interconnected magnetic nanorings -- a system shown to exhibit complex emergent dynamics -- here we show how reconfiguring the reservoir architecture allows exploitation of different aspects the system's dynamical behaviours. This is evidenced through state-of-the-art performance in diverse benchmark tasks with very different computational requirements, highlighting the additional computational configurability that can be obtained by altering the input/output architecture around the material system.

研究动机与目标

• 探索具有复杂涌现动力学的磁性超材料在储层计算中的计算潜力。
• 解决在单一材料系统中隔离并利用多种动力学行为以应对多样化计算任务的挑战。
• 证明通过重新配置输入和输出接口，可解锁多样化计算能力，而无需改变核心材料。
• 在单一物理储层系统上实现多样化基准任务的高性能表现。
• 建立一种基于纳米尺度磁性材料的可编程、非易失性且可扩展的物理计算框架。

提出的方法

• 利用电可访问、相互连接的磁性纳米环阵列构建具有丰富非线性动力学的物理储层。
• 通过外部电控重新配置输入和输出耦合架构，连接至磁性网络的不同部分。
• 利用磁性超材料固有的非线性、非易失性和高维状态空间进行信息处理。
• 通过将输入信号映射到磁性系统的瞬态响应，并利用可配置电极读取输出，实现储层计算。
• 使用标准机器学习技术（例如线性读出）基于储层的动力学响应训练输出层。
• 在不同重新配置设置下，评估系统在多样化基准任务（例如 MNIST、语音识别、时间序列预测）中的性能。

实验结果

研究问题

• RQ1 通过重新配置输入和输出接口，单一磁性超材料储层是否能够支持广泛计算任务？
• RQ2 不同的输入/输出配置如何影响基于磁性纳米环的物理储层的计算性能？
• RQ3 在可重构计算中，磁性超材料的内在非线性动力学和非易失性记忆特性能在多大程度上被利用？
• RQ4 架构重新配置是否能在多样化任务上实现与传统软件基储层相当或更优的性能？
• RQ5 通过仅改变读出和耦合结构，系统是否能在极少再训练的情况下在各类任务中保持高精度？

主要发现

• 可重构储层架构在多样化基准任务（包括时间序列预测和模式识别）中实现了最先进的性能。
• 不同的输入/输出配置使系统能够利用磁性纳米环阵列的不同动力学区域，实现任务特定的优化。
• 该系统表现出非易失性记忆特性，并在多次重新配置后仍保持稳定运行，支持持久且可重编程的计算。
• 尽管使用单一物理硬件基板，该系统在各类任务中的性能与或优于软件基储层。
• 该方法在不改变底层材料的前提下实现了高度可配置的计算，凸显了界面工程在物理储层中的关键作用。
• 结果证实，磁性超材料的复杂涌现动力学不仅可被利用，还可通过架构重新配置进行调控。