Reservoir Computing: Theory, Physical Implementations, and Applications (Natural Computing Series)

این کتاب اولین کتاب جامع در مورد محاسبات مخزن (RC) است. RC یک چارچوب محاسباتی قدرتمند و کاربردی است که بر اساس شبکه‌های عصبی مکرر است. مزایای آن در مجموعه داده های آموزشی کوچک مورد نیاز، آموزش سریع، حافظه ذاتی و انعطاف پذیری بالا برای پیاده سازی های سخت افزاری مختلف نهفته است. این علم از علوم اعصاب محاسباتی و یادگیری ماشین سرچشمه گرفته است، اما در سال‌های اخیر به طور چشمگیری گسترش یافته است و در زمینه‌های متنوعی از جمله علم سیستم‌های پیچیده، فیزیک، علم مواد، علوم زیستی، یادگیری ماشین کوانتومی، سیستم‌های ارتباط نوری، و روباتیک این کتاب با بررسی وضعیت فعلی هنر و ارائه راهنمای مختصر در این زمینه، خوانندگان را با مفاهیم اساسی، تئوری، تکنیک‌ها، پیاده‌سازی فیزیکی و کاربردهای آن آشنا می‌کند.

این کتاب در دو ساختار زیر ساختار یافته است. بخش‌ها: تئوری و پیاده‌سازی فیزیکی هر دو بخش شامل مجموعه ای از فصول است که توسط کارشناسان برجسته در زمینه های مربوطه نوشته شده است. بخش اول به تحولات نظری RC اختصاص داده شده است، که چارچوب را از زمینه شبکه عصبی عودکننده معمولی به یک زمینه کلی تر سیستم های دینامیکی گسترش می دهد. با این دیدگاه گسترده، RC به حوزه یادگیری ماشین محدود نمی شود، بلکه به کلاس بسیار گسترده تری از سیستم ها متصل می شود. بخش دوم کتاب بر استفاده از سیستم‌های دینامیکی فیزیکی به عنوان مخازن متمرکز است، چارچوبی که به عنوان محاسبات مخزن فیزیکی شناخته می‌شود. انواع سیستم‌ها و بسترهای فیزیکی قبلاً برای اجرای محاسبات مخزن پیشنهاد و استفاده شده‌اند. از جمله این سیستم‌های فیزیکی که طیف وسیعی از مقیاس‌های مکانی و زمانی را پوشش می‌دهند، می‌توان به سیستم‌های مکانیکی و نوری، نانومواد، اسپینترونیک و بسیاری از سیستم‌های بدن کوانتومی اشاره کرد.

این کتاب مطالب ارزشمندی را ارائه می‌کند. منبعی برای محققان (دانشجویان دکترا و متخصصان) و پزشکانی که در زمینه یادگیری ماشینی، هوش مصنوعی، رباتیک، محاسبات نورومورفیک، سیستم‌های پیچیده و فیزیک کار می‌کنند.

This book is the first comprehensive book about reservoir computing (RC). RC is a powerful and broadly applicable computational framework based on recurrent neural networks. Its advantages lie in small training data set requirements, fast training, inherent memory and high flexibility for various hardware implementations. It originated from computational neuroscience and machine learning but has, in recent years, spread dramatically, and has been introduced into a wide variety of fields, including complex systems science, physics, material science, biological science, quantum machine learning, optical communication systems, and robotics. Reviewing the current state of the art and providing a concise guide to the field, this book introduces readers to its basic concepts, theory, techniques, physical implementations and applications.

The book is sub-structured into two major parts: theory and physical implementations. Both parts consist of a compilation of chapters, authored by leading experts in their respective fields. The first part is devoted to theoretical developments of RC, extending the framework from the conventional recurrent neural network context to a more general dynamical systems context. With this broadened perspective, RC is not restricted to the area of machine learning but is being connected to a much wider class of systems. The second part of the book focuses on the utilization of physical dynamical systems as reservoirs, a framework referred to as physical reservoir computing. A variety of physical systems and substrates have already been suggested and used for the implementation of reservoir computing. Among these physical systems which cover a wide range of spatial and temporal scales, are mechanical and optical systems, nanomaterials, spintronics, and quantum many body systems.

This book offers a valuable resource for researchers (Ph.D. students and experts alike) and practitioners working in the field of machine learning, artificial intelligence, robotics, neuromorphic computing, complex systems, and physics.