Optimal information injection and transfer mechanisms for active matter reservoir computing
Mario U. Gaimann and Miriam Klopotek
水库计算(RC)是一种最先进的机器学习方法,利用动力系统(水库)的力量进行实时推理。 当使用生物复合系统作为储层基板时,它作为有关生物启发计算的基本问题的试验台 - 自我组织如何产生适当的时空模式。 在这里,我们使用由混浊移动输入信号驱动的活动物质系统的模拟作为存储库。 到目前为止,尚不清楚这种复杂的系统是否具有有效处理信息的能力,并且独立于引入信息的方法。 我们发现,当从排斥转向有吸引力的驱动力时,系统完全改变了计算方式,而预测性能景观几乎保持不变。 驱动器注入力的非线性通过将单智能体动力学与驱动器的动力学脱钩来改善计算。 触发的是平滑结构边界(接口)的(重新)生长,变形和主动运动,以及速度相干梯度的出现 - 在许多软材料和生物系统中发现的特征。 非线性驱动力激活了紧急调节机制,这些机制表现出增强的形态和动态多样性 - 可以说是改善了褪色的记忆,非线性,表现力,从而提高了性能。 我们在调整内部(排斥)力进行信息传输时产生的多种非平衡活性物质阶段进一步执行RC。 总的来说,我们发现形成液滴的活性物质剂特别适合RC。 预测性表现景观的一致凸形,以及观察到的现象学丰富性,传达了稳健性和适应性。
Reservoir computing (RC) is a state-of-the-art machine learning method that makes use of the power of dynamical systems (the reservoir) for real-time inference. When using biological complex systems as reservoir substrates, it serves as a testbed for basic questions about bio-inspired computation – of how self-organization generates proper spatiotemporal patterning. Here, we use a simulation of an active matter system, driven by a chaotically moving input signal, as a reservoir. So far, it has b...