Waarom is dit belangrijk?
Sterk wisselende signalen, zoals geluid of een chaotisch proces, laten zich met reservoir computing omzetten in een schatting van de volgende stap. Wetenschappers gebruiken de methode om robotarmen te sturen en om zeewatertemperatuur en windenergie te schatten. Studenten en onderzoekers hebben zo minder rekenkracht nodig voor meetreeksen, maar bij echt weer en beurskoersen blijft het resultaat vaak achter bij diepe neurale netwerken.
Zo werkt het in de praktijk
IBM Research bouwde een proefopstelling voor fotonisch reservoir computing. Een FPGA-chip, een chip die na fabricage nog instelbaar is, stuurt licht door glasvezel en kunststof golfgeleiders. Onderzoekers zoeken reservoir computing ook voor het corrigeren van vervorming in optische communicatie.
De groep MINDS gebruikt reservoir computing als model voor verwerkingscircuits in biologische hersenen. De groep werkt ook aan signaalverwerking en aan optische en analoge microchips. Een overzichtsartikel in Nature Communications beschrijft de kloof tussen rekenmethode en laboratoriumproef bij gebruik in de industrie.
Onderzoekers berekenen de uitgangsgewichten vaak met Tikhonov-regularisatie. Die methode houdt de fout klein en remt te grote gewichten af. Een praktische gids van Lukoševičius beschrijft hoe onderzoekers het netwerk stap voor stap opzetten.




