新的机器学习算法承诺计算领域的进步

新的机器学习算法有望推动计算技术的进步。研究表明，由下一代计算算法控制的系统可能会催生更好、更高效的机器学习产品。

研究人员利用机器学习工具创建了一个数字孪生体，即一个电子电路的虚拟副本，展现了混沌行为，并成功预测了其行为并利用该信息来控制它。

许多日常设备，如恒温器和巡航控制器，采用线性控制器——这些控制器使用简单的规则来引导系统达到期望值。例如，恒温器利用这些规则来确定根据当前温度与期望温度之间的差异来加热或冷却空间的程度。

然而，由于这些算法的简单直接，它们在控制展现复杂行为的系统，如混沌系统时，往往难以胜任。

因此，像自动驾驶汽车和飞机这样的先进设备通常依赖于基于机器学习的控制器，这些控制器使用复杂的网络来学习最佳操作所需的控制算法。然而，这些算法存在显著的缺点，其中最大的挑战之一是它们在实施时可能极具挑战性且计算成本高昂。

最近发表在《自然通讯》上的一项研究指出，现在可以通过高效数字孪生体对未来自主技术进行开发，这可能会带来深远影响。该研究的首席作者、俄亥俄州立大学物理学研究生罗伯特·肯特表示：“大多数基于机器学习的控制器的问题在于它们消耗大量能量或功率，而且评估时间很长。为它们开发传统控制器也很困难，因为混沌系统对微小变化非常敏感。”

他说，这些问题在毫秒间能够决定生死的情况下尤为重要，比如自动驾驶车辆必须决定是否刹车以防止事故。

该团队的数字孪生体足够紧凑，可以安装在廉价的芯片上，并且无需互联网连接，该数字孪生体旨在优化控制器的效率和性能，研究人员发现结果是功耗降低。它能够轻松实现这一目标，主要是因为它是使用一种称为“水库计算”的机器学习方法进行训练的。

肯特表示：“我们使用的机器学习架构的一大亮点在于它非常擅长学习随时间演变的系统行为。它受到了人脑中神经元连接的启发。”

虽然类似大小的计算机芯片已被应用于智能冰箱等设备，但据该研究称，这种新型计算能力使得该模型特别适合处理自动驾驶车辆等动态系统，以及必须快速适应患者心跳的心脏监护仪等设备。

他说：“大型机器学习模型需要大量能量来处理数据并得出正确的参数，而我们的模型和训练非常简单，因此可以实现系统的实时学习。”

为了验证这一理论，研究人员指导其模型完成复杂的控制任务，并将其结果与先前的控制技术进行比较。研究表明，他们的方法在某些任务的准确度上比线性对应方法更高，并且在计算上比之前的基于机器学习的控制器复杂得多。

肯特表示：“在某些情况下，准确性的提高相当显著。”尽管该算法运行时需要比线性控制器更多的能量，但这种权衡意味着当其启动时，该团队的模型的持续时间更长，且比市场上当前的基于机器学习的控制器更加高效。

肯特表示：“人们将会发现它非常有用，因为它非常高效。你几乎可以在任何平台上实施它，并且非常容易理解。”该算法最近已经向科学家开放。

除了激发工程领域潜在的进步外，创造更节能的算法还有同样重要的经济和环境激励，肯特表示。

随着社会对计算机和人工智能在几乎所有日常生活方面的依赖增加，对数据中心的需求不断增长，许多专家担心数字系统的巨大能量需求以及未来产业为满足这一需求可能需要付出的代价。

由于建造这些数据中心以及大规模的计算实验可能会产生大量碳排放，科学家正在寻找减少这些技术对碳排放的方式。

肯特表示，未来的工作可能会朝着训练模型探索其他应用，比如量子信息处理。同时，他预计这些新要素将深入影响科学界。

肯特表示：“工业和工程领域还有不够多的人了解这些类型的算法，而该项目的一个重要目标之一就是让更多人了解它们。这项工作是朝着实现这一潜力的一个重要的第一步。”

这项研究得到了美国空军科学研究办公室的支持。俄亥俄州立大学的其他合著者包括温德森·巴博萨和丹尼尔·戈尔修尔。