本文2597字，阅读约需7分钟

摘要：在需要复杂且高精度计算的场景中，储层计算无法与现有的云计算相媲美。然而，许多应用并不需要高精度，而边缘处理则更注重即时性。如果我们能够用储层计算取代哪怕大约百分之一的计算应用程序，也有望为降低整个社会的能耗做出贡献。

关键词：储层计算、储层层、机器学习、边缘计算、物理储层

计算机功耗上升，“新型计算机”应运而生

即使是“1+1=2”这样简单的计算，也有很多不同的方法，有人用计算器，有人用算盘，还有人心算。同样，说到“计算”，也有很多不同的选择。我们如今日常使用的个人电脑和智能手机都是基于20世纪50年代发明的计算方法运行的。然而，近年来，随着这些电子设备的广泛使用以及人工智能（AI）的应用日益增加，计算机能耗的增加正成为一个严重的社会问题。

在此背景下，人们对比传统计算机功耗更低的新型计算技术的需求日益增长。满足这一需求的一项技术就是“储层计算”（Reservoir Computing）。储层计算不同于云端的大型计算机，通常用于安装在用户附近的被称为“边缘终端”的设备，其特点是能够在大幅降低功耗的同时运行。这项相对较新的技术作为一种高效识别和处理不断变化的数据的方法而备受关注，相关学术论文于2001年左右开始发表。

计算机已经发展到能够使用越来越多的计算机（计算单元）来解决复杂问题。另一方面，储层计算的特点在于能够以低功耗高效处理不需要大量计算的问题。例如，在涉及国家安全或军事等需要大量计算资源的情况下，大型计算机系统必不可少；而对于像寻找从产综研的所在地筑波到东京站的旅行路线这样的相对简单的问题，则不需要如此高的计算能力。在这种情况下，通过使用储层计算这样节能的机制而非传统的高功率计算机来“降低总体能耗”的这一思路备受关注。

近年来，量子计算作为另一种下一代技术也备受关注。量子计算利用基于量子力学的物理现象来处理信息，凭借能够同时处理大量状态的特性，展现出类似于数百万台计算机并行工作的计算能力。由于量子计算机的计算结构与传统计算机不同，因此采用了与储层计算不同的方法。

这种下一代计算机之间的关系可以通过“分工”而非“竞争”来理解。深度学习和量子计算机适用于解决需要大量计算能力的复杂问题。相比之下，对于规模较小、计算强度较低的问题，储层计算能够以低功耗提供快速响应。根据每种技术各自的特性进行合理运用，有望成为未来计算技术发展的趋势。

通过简单结构+低功耗即可进行学习

储层计算是如何工作的？接下来将解释它的思路和结构。

首先，“储层（reservoir）”一词的意思是“水库”。当把石头投进池塘时，水面会产生涟漪，而通过观察这些涟漪的情况，可以在一定程度上推测出投进池塘中的石头是什么样的、投掷的方式如何。储层计算与之类似，名为“储层”的结构对输入信号会返回复杂的响应（涟漪），并根据这些输出，分析和预测原始输入。这一机制之所以被称为储层计算，是因为它呈现出类似于水池中涟漪那样的动态反应。

投掷的石子的重量和形状（输入信号）决定了“涟漪”的形状。当投掷多块石子时，涟漪会相互干扰，形成复杂的涟漪。储层计算是一种模拟自然现象和生物机制的计算技术。

这一想法的起点是生物大脑中神经元和突触的作用。大脑通过被称为神经元的神经细胞通过突触交换电信号的方式来处理和计算信息。然而，大脑的工作原理尚未完全阐明，人们提出了各种假设和想法来填补未知的空白。在这样的背景下，人们设计出了多种神经计算方法。

大多数传统的神经计算方法试图通过精心设计相当于神经元和突触的结构和设备来尽可能忠实地再现大脑的信息处理过程。其中，最为人熟知的是深度学习（Deep Learning）。在深度学习中，经过多层处理数据，并通过调整节点（神经元）之间的“权重（突触的大小）”来进行学习。信息基本上是单向流动的，从输入层到输出层，由于需要大量的数据和时间来反复调整各层的权重，因此需要庞大的计算资源和功耗。

相比之下，储层计算采用了输入层、储层层和输出层的简单结构。在储层层内部，节点之间相互影响，形成了一种过去输出重新反馈到内部的循环结构（反馈连接）。这使得可以进行动态信息处理，而不仅限于输入到输出的单向流动。此外，与通过学习来调整相当于神经元和突触的内部连接结构的传统神经计算不同，储层计算着眼于从储层获得的输出，仅通过调整输出层来进行计算。换句话说，储层的结构是预先固定的，学习仅限于输出层。虽然这种配置意味着与其他神经计算方法相比，储层计算的计算能力有限，但它具有显著降低计算机设计和运行所需的电力和学习时间等成本。

除了电路之外，其他物体也能成为计算机

实际上，产综研目前正在研究如何使用尺寸仅为百万分之一毫米的微型磁铁（自旋电子振荡器）来进行语音识别的储层计算配置方法。在储层层中，微型磁铁会根据输入的电信号来改变其N极和S极的方向，而输出层则将这种运动结果提取为电信号。当输入语音信号时，通过储层层就能获得与该语音对应的输出信号。为了使输出信号与输入信号匹配，通过计算机调整输出层的权重来进行学习。这样，当输入某个语音时，就能获得对应的特定输出，从而实现语音识别。

物理储层计算的一个例子。已有研究表明，利用极小的磁铁的物理储层计算能够成功实现语音识别（J.Torrejon etal.,Nature547，428(2017).）

正如这项研究表明的那样，任何具有产生与输入相对应的输出特性的设备都可以用作储层。换句话说，即使不使用半导体或电路，也可构建计算机。这就是所谓的“物理储层”，它正在为“新型计算机”打开大门。

到目前为止，计算机一直依赖于半导体技术，但由于储层计算有可能在储层中使用各种各样的技术，因此半导体以外许多领域的研究人员都对这一领域产生了兴趣并致力于研究。这也是低功耗等性能方面之外，储层计算的另一魅力所在。

利用其特性，有望实现多样化应用

储层计算目前仍面临一些挑战。首先，由于所用的储层层的属性限制了所能解决的问题类型，因此它不适合用作通用计算机。其次，即使某个储层层在某个特定问题中表现出良好的性能，也不一定能在其他问题中发挥同样的作用，因此在不同应用场景下需要进行设计和调试。未来需要进一步的研究和开发来克服这些限制并扩大应用范围。

在需要复杂且高精度计算的场景中，储层计算无法与现有的云计算相媲美。然而，许多应用并不需要高精度，而边缘处理则更注重即时性。如果我们能够用储层计算取代哪怕大约百分之一的计算应用程序，也有望为降低整个社会的能耗做出贡献。

未来特别备受期待的一个应用是其作为边缘AI的用途。例如，除了自动驾驶、工厂与医疗领域之外，各种应用对边缘人工智能的需求也日益增长，包括深海等极地探险、农业机器人的自主行驶、监测河流水位变化的防灾传感器、无人机的避障控制以及可穿戴设备对生物信号的即时分析等场景。在这些领域，即使在云连接不稳定或无法连接的环境中也能进行实时决策的储层计算特性预计会发挥巨大的作用。

（1）征稿启事

应部分读者建议，本公众号现开放投稿，面向企业及科研机构人员征集稿件，可以分享技术信息、学术类论文、科研成果以及研究见解等。

投稿请发送至邮箱：support#aipatent.com（请注明“AIpatent公众号来稿”） *发送邮件时请将“#”替换为“@”

（2）技术合作

我们是专注于国际技术转移的服务商，致力于将日本等海外的先进技术引入中国。如有海外先进技术搜寻及合作需要，请联系邮箱：info#aipatent.com（请注明“技术合作”） *发送邮件时请将“#”替换为“@”

【解说】储层计算