The effect of the non-linear function on system dynamics within delay-feedback reservoirs
Notice bibliographique
Résumé
Delay-feedback reservoirs are a subset of reservoir computers characterized by a hardware-efficient architecture that trades spatial complexity for temporal processing. It employs a single non-linear node, a delay line, and a time-multiplexed input signal to generate a network of "virtual nodes," effectively emulating a larger spatial neural network. One of the most powerful aspects of delay-feedback reservoirs is their versatility. Our previous work found that the non-linear node performs two mathematical functions, a non-linear transform and integration. The non-linear transform can be represented by any number of non-linear functions, making it difficult to optimize a delay-feedback reservoir to solve a specific computational task. This work explores different non-linear functions in order to determine their effect on the dynamics of the reservoir, in order to provide insight into this optimization problem. Five different non-linear functions are compared in terms of performance, metrics, and utilization: Mackey-Glass, sine squared, double sinusoids, Tan, and Tanh. Our results find that the Mackey-Glass non-linear function shows limited system dynamics, performing well on non-linear tasks but performing poorly on memory intensive tasks. We then demonstrate the distinct system dynamics within the other four non-linear functions. We found that sine squared shows limited overall performance, double sinusoid performs well in non-linear tasks, Tan resembles an odd valued exponent Mackey-Glass reservoir but with greater parameter sensitivity, and tanh offers balanced performance across both task types. We find that modifying the system dynamics of a reservoir is an important step toward optimizing a delay-feedback reservoir for specific computational tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».