Spintronic Physical Reservoir for Autonomous Prediction and Long-Term Household Energy Load Forecasting

要約

この研究では、スピントロニクス物理リザーバーを使用した自律的な長期予測を示しました。
磁化ダイナミクスの短期記憶特性により、リザーバー状態に非線形性が生じます。これは、オンライン トレーニングの単純な線形回帰を使用した長期予測タスクに使用できます。
予測段階では、出力は自律予測のためにリザーバーの入力に直接供給されます。
私たちは、マッキー グラスなどのカオス時系列データや、家庭の建物のエネルギー負荷などの動的な時系列データのモデリングに、提案した貯留層を使用します。
線形回帰でトレーニングする必要があるのは RC の最後の層だけであるため、エッジ デバイスでのリアルタイム学習に適しています。
ここで我々は、スキルミオンベースの磁気トンネル接合がプロトタイプの RC として使用できる可能性があるが、非線形磁化挙動を持つ任意のナノ磁気磁気トンネル接合がそのような RC を実装できることを示します。
私たちのスピントロニクス物理 RC アプローチを LSTM や RNN などのエネルギー負荷予測アルゴリズムと比較することにより、提案されたフレームワークは高い予測精度を達成する上で優れたパフォーマンスを示し、同時にハードウェアで重視されるメモリとエネルギーの必要性も低いと結論付けています。
リソースと電力に制約のあるエッジ アプリケーション。
さらに、提案されたアプローチは非常に小さなトレーニング データセットを必要とすると同時に、正確な家庭負荷予測のためにシーケンスツーシーケンス LSTM と比較して少なくとも 16 倍のエネルギー効率であることが示されています。

要約(オリジナル)

In this study, we have shown autonomous long-term prediction with a spintronic physical reservoir. Due to the short-term memory property of the magnetization dynamics, non-linearity arises in the reservoir states which could be used for long-term prediction tasks using simple linear regression for online training. During the prediction stage, the output is directly fed to the input of the reservoir for autonomous prediction. We employ our proposed reservoir for the modeling of the chaotic time series such as Mackey-Glass and dynamic time-series data, such as household building energy loads. Since only the last layer of a RC needs to be trained with linear regression, it is well suited for learning in real time on edge devices. Here we show that a skyrmion based magnetic tunnel junction can potentially be used as a prototypical RC but any nanomagnetic magnetic tunnel junction with nonlinear magnetization behavior can implement such a RC. By comparing our spintronic physical RC approach with energy load forecasting algorithms, such as LSTMs and RNNs, we conclude that the proposed framework presents good performance in achieving high predictions accuracy, while also requiring low memory and energy both of which are at a premium in hardware resource and power constrained edge applications. Further, the proposed approach is shown to require very small training datasets and at the same time being at least 16X energy efficient compared to the sequence to sequence LSTM for accurate household load predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google