Vorhersage von chaotischen Systemen
Reservoir Computing mit stark vereinfachter Architektur liefert gute und robuste Vorhersagen von chaotischen Systemen, die mit den Ergebnissen aus dem gängigen Ansatz mit rekurrenten zufälligen Netzwerken vergleichbar sind. Dies zeigt die Zusammenarbeit von Christoph Raeth vom DLR Institut für KI-Sicherheit mit Analysten von Allianz Global Investors (AGI) (Haochun Ma, Dr. Alexander Haluszczynski und Davide Prosperino).
ReservoirComputing (RC) gehört aktuell zu den vielversprechendsten KI-Ansätzen für die Vorhersage komplexer Systeme, wie z.B. Wetter, Herzschlag, Stromnetzwerke, Finanzmärkte uvm.
Das ‚Herz‘ dieser Rechenmethode ist das sog. Reservoir, das Eingangsdaten aufnimmt, im Sinne eines dynamischen Systems weiterverarbeitet und diese dann an die Ausgabeschicht weiterleitet. In konventionellen RC-Ansätzen wird für die Architektur ein zufälliges, gewichtetes Netzwerk gewählt, in dem alle Netzwerkkomponenten mittelbar oder unmittelbar miteinander in Verbindung stehen. Die Stärke der Verbindungen wird durch eine große Anzahl frei wählbarer Parameter bestimmt.
Im Kontext der Forschung und Entwicklung innovativer Rechenmethoden beschäftigen sich die Wissenschaftler:innen mit stark vereinfachten Reservoir-Architekturen. So verwendet das in dieser Arbeit vorgestellte Reservoir für alle Netzwerkverbindungen die gleiche Stärke und ein Knoten innerhalb des Netzwerkes ist nur mit wenigen Nachbarknoten in Verbindung. Daraus folgt, dass das Gesamtnetzwerk in viele kleine, baugleiche Subnetzwerke mit jeweils eigener Dynamik aufgeteilt werden kann.
Diese einfachen Reservoir-Architekturen haben verschiedene Vorteile: Zum einen verringert sich der Rechenaufwand. Zum anderen sind diese Reservoirs leichter interpretierbar und liefern somit verlässlichere und damit sicherere Vorhersagen. Die Aufteilung in Subnetzwerke ermöglicht außerdem eine einfache Skalierbarkeit für sehr viel höherdimensionale Anwendungen.
Die Studie zeigt damit das große Potential der einfachen Reservoir-Architekturen für die Entwicklung sehr schneller und energieeffizienter Hardware-Realisierungen des Reservoir Computing.
Titel der Studie: "Efficient Forecasting of Chaotic Systems with Block-diagonal and Binary Reservoir Computing" veröffentlicht in Chaos (Vol.33, Issue 6).