Forscher entwickeln Material, das Geräusche erkennt und für Sensoren für autonome Fahrzeuge eingesetzt werden kann

Verschiedene Formen der Mustererkennung, insbesondere maschinelles Lernen, wurden in einer Vielzahl moderner Technologien weit verbreitet. Durch die Entdeckung von Mustern in den Daten kann das maschinelle Lernen diese Muster in verständliche Informationen verwandeln, wie zum Beispiel die Identifizierung von Objekten auf dem Fahrweg eines autonomen Autos oder die Identifizierung von thermischen Merkmalen von Eindringlingen.

Ähnlich wie das maschinelle Lernen kann ein aufkommendes Framework namens "Reservoir Computing" verwendet werden, um Muster aus Daten zu lernen. Der Schlüssel zu dieser Form der Berechnung besteht darin, ein komplexes System anzuwenden, durch das Informationen wiederholt werden. All dies kann über ein zirkulierendes neuronales Netzwerk (RNN) geschehen, das ein Powersystem oder einen "Reserve Pool" verwendet, um Mustererkennungsaufgaben auszuführen.

Traditionelle RNNs bestehen jedoch aus einer Vielzahl unabhängiger, miteinander verbundener Knoten oder Neuronen mit mehreren Parametern, was zu solchen Systemen führen kann, die ungeschickt, schwer zu trainieren und sogar zu einem hohen Energieverbrauch führen, was Anwendungen behindert. Die Berechnung des Reserve Pools vereinfacht dies durch die zufällige Auswahl von Parametern und das Training nur der Ausgabeknoten, was die Komplexität erheblich reduziert.

Die jüngste Forschung hat sich auf die Verwendung einer physikalischen Grundlage für die Ausführung von Mustererkennungsaufgaben für die Berechnung des Reservepools verschoben. Solange solche Materialien komplex und nicht linear genug sind (die Eingangsänderungen sind nicht unbedingt die gleichen wie die Ausgangsänderungen) und eine allmählich schwächende Speichereigenschaft aufweisen, d. h. die Fähigkeit des Systems, sich an frühere Eingangssignale zu erinnern, wird im Laufe der Zeit allmählich schwächer.