Reservoir- & Quanten-Reservoir-Rechnen · im Aufbau
Ein physikalisches System als Gedächtnis.
Beim Reservoir-Rechnen wird ein Netz nicht trainiert — nur eine einfache Auslese am Ende. Die Arbeit macht ein festes dynamisches System, das Eingaben nichtlinear verrührt und sich an sie erinnert. Dieses System kann ein Programm sein, eine Welle, ein Laser — oder ein Gitter aus Atomen.
So funktioniert es
Die Technik dahinter, ohne Marketingnebel.
Eingaben treiben ein dynamisches System; aus seinem Zustand lernt eine lineare Regression die Vorhersage. Das Training ist damit schnell und stabil — die Qualität hängt am Reservoir.
Ein gutes Reservoir erinnert sich lange genug an vergangene Eingaben und mischt sie reich genug. Beides lässt sich messen: als Gedächtniskapazität und als Informationsverarbeitungskapazität.
In einer Kette aus Rydberg-Atomen wechselwirken die Teilchen stark; ihre Dynamik spannt einen Zustandsraum auf, der mit jedem Atom exponentiell wächst. Kontrollierte Dissipation sorgt dafür, dass das System vergisst, was lange zurückliegt.
Jedes Reservoir tritt gegen getunte klassische Verfahren an. Ein Ergebnis zählt erst, wenn es auch gegen den besten klassischen Gegner besteht.
Das Forschungsfeld: physikalisches und Quanten-Reservoir-Rechnen
Reservoir-Rechnen verbindet maschinelles Lernen mit Physik: optische, spintronische, mechanische und quantenmechanische Systeme wurden als Reservoir erprobt. Ihr Versprechen ist Rechnen mit sehr wenig Energie, weil die Physik die Arbeit macht, die sonst Multiplikationen erledigen.
Beim Quanten-Reservoir ist die grosse offene Frage, ob der riesige Zustandsraum zu einem messbaren Vorteil wird. Messungen sind verrauscht und zerstören den Zustand, und klassische Reservoire lassen sich sehr gut tunen. Ein Vorteil muss deshalb gegen die stärkste klassische Konkurrenz gezeigt werden, nicht gegen eine schwache.
Offene Fragen
- Wächst die nutzbare Kapazität eines Quanten-Reservoirs wirklich mit seinem Zustandsraum?
- Wie viele Messungen braucht eine Vorhersage, bevor das Messrauschen den Vorteil aufzehrt?
- Welche Zeitreihen profitieren überhaupt von dieser Art Gedächtnis?
Wenn der Durchbruch gelingt
Ausblick, kein Versprechen: was möglich würde, wenn die offenen Fragen beantwortet sind.
Vorhersage chaotischer Systeme
Zeigte ein physikalisches Reservoir mehr Vorhersagekraft je Element als klassische Verfahren, würden kurzfristige Vorhersagen für Turbulenz, Wetter im Kleinen oder Netzlasten mit einem Bruchteil der Rechenleistung möglich.
Lernen am Sensor
Ein Reservoir, das selbst ein physikalisches Bauteil ist, könnte Signale dort verarbeiten, wo sie entstehen — mit dem Energiebedarf des Sensors, nicht eines Servers.
Wo wir stehen
Dieselben Belege wie auf der Übersicht — jede Zahl mit ihrer Art.
- Studien zu Gedächtnis, Vorhersage und Chaos-Zeitreihen
- Ehrlicher Vergleich gegen getunte klassische Baselines
- Später: Läufe auf Neutralatom-Hardware
Für wen
- Forschungsgruppen zu Zeitreihen, Chaos und neuromorphem Rechnen
- Unternehmen, die Quantenrechnen an einer konkreten Aufgabe prüfen wollen
- Teams mit Vorhersageproblemen auf verrauschten Signalen
Mit uns daran arbeiten.
Wir öffnen Piloten einzeln. Beschreib kurz, was du rechnen möchtest — keine Zahlung, keine Zusage, eine ehrliche Einschätzung.
Pilot anfragen