进化优化训练储层计算架构：Kuramoto–Sivashinsky 混沌预测新边界
neurovium · x · 2026-10-15
Nima Dehghani 发布 arXiv 论文，研究当储层计算（reservoir computing）的递归结构本身接受进化选择时会发生什么，以 Kuramoto–Sivashinsky 方程作为时空混沌测试平台。
- 对规模、连接度、谱半径、输入缩放、读出正则化五个超参数进行进化优化
- 进化降低了群体级预测误差，延长了低误差预测时域
- 结构上：进化后的储层保持在保守的随机块模型谱包络内，模块度锁定在中间频带，并修剪带内连接成本
- Pareto 分析显示精英储层在成本–模块度平面上占据水平「地板」，精度与效率是同时达成的而非简单权衡
对神经形态/储层计算与进化架构搜索方向有参考价值。
「研究」频道最新
- GLM-5.3-Flash 实现 1M token 上下文训练，较基线提升 64 倍 — AndrewLBeam · 2026-10-23
- 用布尔逻辑训练语言模型，CPU 单线程前向仅需数微秒 — cephaloform · 2026-10-23
- AdaDex:几秒人手视频即可教灵巧手学会抓取、抛接等可泛化技能 — mangahomanga · 2026-10-23
- ReAPO 论文:RLVR 中让模型在失败后重试,推理成绩与训练效率双升 — jasondeanlee · 2026-10-23
- 首个可跑在真实量子电路上的 JEPA 世界模型 Quantum-JEPA 发布 — DrMorganLevine · 2026-10-23
- Omnii Genome 单一通用模型全面超越 AlphaGenome — JosephJacks_ · 2026-10-23