ترجمه فارسی مقاله جهانی بودن مخزن کم پیچیدگی واقعی

چکیده

Reservoir Computing (RC) models, a subclass of recurrent neural networks, are distinguished by their fixed, non-trainable input layer and dynamically coupled reservoir, with only the static readout layer being trained. This design circumvents the issues associated with backpropagating error signals through time, thereby enhancing both stability and training efficiency. RC models have been successfully applied across a broad range of application domains. Crucially, they have been demonstrated to be universal approximators of time-invariant dynamic filters with fading memory, under various settings of approximation norms and input driving sources. Simple Cycle Reservoirs (SCR) represent a specialized class of RC models with a highly constrained reservoir architecture, characterized by uniform ring connectivity and binary input-to-reservoir weights with an aperiodic sign pattern. For linear reservoirs, given the reservoir size, the reservoir construction has only one degree of freedom — the reservoir cycle weight. Such architectures are particularly amenable to hardware implementations without significant performance degradation in many practical tasks. In this study we endow these observations with solid theoretical foundations by proving that SCRs operating in real domain are universal approximators of time-invariant dynamic filters with fading memory. Our results supplement recent research showing that SCRs in the complex domain can approximate, to arbitrary precision, any unrestricted linear reservoir with a non-linear readout. We furthermore introduce a novel method to drastically reduce the number of SCR units, making such highly constrained architectures natural candidates for low-complexity hardware implementations. Our findings are supported by empirical studies on real-world time series datasets.

چکیده به فارسی (ترجمه ماشینی)

مدل های محاسبات مخزن (RC) ، یک زیر کلاس از شبکه های عصبی مکرر ، با لایه ورودی ثابت و غیر قابل قبول و مخزن همراه پویا متمایز می شوند و تنها لایه بازخوانی استاتیک آموزش دیده است.این طرح مسائل مربوط به سیگنال های خطای پشتیبان را در طول زمان دور می کند و از این طریق هم ثبات و هم بهره وری آموزش را افزایش می دهد.مدل های RC با موفقیت در طیف گسترده ای از حوزه های کاربردی اعمال شده اند.از نظر مهم ، آنها نشان داده شده است که تقریب جهانی فیلترهای پویا متغیر با حافظه محو شده ، تحت تنظیمات مختلف هنجارهای تقریب و منابع محرک ورودی هستند.مخازن چرخه ساده (SCR) یک کلاس تخصصی از مدل های RC با معماری مخزن بسیار محدود ، که با اتصال حلقه یکنواخت و وزن های باینری به Reservoir با یک الگوی علامت Aperiodic مشخص می شود.برای مخازن خطی ، با توجه به اندازه مخزن ، ساخت و ساز مخزن تنها یک درجه آزادی دارد – وزن چرخه مخزن.چنین معماری ها به ویژه در مورد اجرای سخت افزار بدون تخریب عملکرد قابل توجه در بسیاری از کارهای عملی قابل تحمل هستند.در این مطالعه ما این مشاهدات را با مبانی نظری محکم با اثبات اینكه SCR ها كه در حوزه واقعی فعالیت می كنند ، تقریب كنندگان جهانی فیلترهای پویا متغیر با حافظه محو هستند.نتایج ما تکمیل تحقیقات اخیر نشان می دهد که SCR ها در حوزه پیچیده می توانند تقریباً به دقت خودسرانه ، هر مخزن خطی بدون محدودیت با خواندن غیرخطی نزدیک شوند.علاوه بر این ، ما یک روش جدید را برای کاهش چشمگیر تعداد واحدهای SCR معرفی می کنیم ، و چنین معماری های بسیار محدودی را برای اجرای سخت افزار کم نظیر و کم نظیر ایجاد می کنیم.یافته های ما توسط مطالعات تجربی در مورد مجموعه داده های سری زمانی در دنیای واقعی پشتیبانی می شود.