Computação de reservatório físico : uma abordagem investigativa sobre o desempenho e a dinâmica do reservatório

Abstract

Resumo: A Inteligência Artificial apresenta aplicabilidade em diversos campos do conhecimento, e levanta discussões em torno dos limites das suas capacidades cognitivas e de atuação, além dos riscos que o seu desenvolvimento pode acarretar para a humanidade. Especialistas e pessoas influentes nessa área indicam que, em vez de evitar, devemos aprender a lidar com os problemas que a sua evolução possa apresentar. Considerando essa busca por maior compreensão dos processos nas realizações das tarefas, além de somente obter o melhor desempenho, propusemos um modelo de computação de reservatório físico. Para as suas unidades, utilizamos osciladores de Kuramoto, porém adicionamos um termo de campo médio ao modelo matemático proposto originalmente. N'os investigamos como as mudanças nas suas dinâmicas interferem na eficiência do programa, focando no grau de sincronização e na caoticidade do reservatório. Os parâmetros do sistema de Kuramoto foram selecionados por meio do algoritmo genético, uma ferramenta especialmente útil quando há muitos parâmetros envolvidos no modelo. Testamos a aprendizagem de diferentes séries de referência mediante duas técnicas distintas de avaliação de desempenho. Notamos que, quando testamos a capacidade do nosso modelo em emulação e predição, a aprendizagem foi favorecida quando houve baixa sincronização na rede, enquanto na manutenção da distribuição das séries de referência, os parâmetros selecionados pelo algoritmo genético levaram o reservatório a apresentar alta sincronização. Observamos ainda que em ambos os casos, com esses parâmetros, a rede de osciladores apresentou dinâmica hipercaótica, uma vez que houve a presença de alguns expoentes de Lyapunov com sinal positivo.

Abstract: It is known that Artificial Intelligence has applicability in several fields of knowledge. However, it also raises controversy about the limits of its cognitive and acting capacities, besides the risks its development can entail for humankind. Experts and influential people in that area suggest that, instead of avoiding it, we should learn how to deal with the problems that its evolution may present. Considering this pursuit for a greater understanding of task execution processes, in addition to just obtaining the best performance, we have proposed a physical reservoir computing model. We used Kuramoto oscillators as reservoir units, but with the addition of a mean-field term in the original mathematical model. We investigated how changes in their dynamics affect the program efficiency, focusing on the synchronization degree and the chaoticity of the network. The parameters of the Kuramoto system were selected with the genetic algorithm, a tool especially useful when there are many parameters involved in the model. We have tested the learning for different reference series using two performance evaluation techniques. We noticed that, when we evaluated the capacity of our model at emulation and prediction tasks, learning was favored when there was low synchronization in the network, while when the assignment was to maintain the distribution of the reference series, the parameters selected by the genetic algorithm led the reservoir to show high synchronization. We further observed that in both cases, with these parameters, the network of oscillators presented hyperchaotic dynamics, given the presence of some positive Lyapunov exponents.