Группа учёных под руководством Аты Акбари Асаняна представила новую архитектуру Sequential Reservoir Computing (Sequential RC) для эффективного прогнозирования высокоразмерных пространственно-временных систем. Работа опубликована на arXiv.org 1 января 2026 года. Новая модель демонстрирует превосходство над традиционными подходами, такими как LSTM и RNN, по точности и вычислительной эффективности.
Ключевое нововведение — декомпозиция большого резервуара на серию меньших, взаимосвязанных резервуаров. Это снижает требования к памяти и вычислительным ресурсам, сохраняя при этом долгосрочные временные зависимости. Тестирование на низкоразмерных хаотических системах (Lorenz63) и высокоразмерных физических симуляциях (2D уравнения вихря и мелкой воды) показало увеличение горизонта точного прогноза на 15-25%, снижение ошибок (SSIM, RMSE) на 20-30% и сокращение стоимости обучения до трёх порядков по сравнению с базовыми моделями.
Проблема прогнозирования сложных динамических систем, таких как погода или физические процессы, остаётся вычислительно сложной для традиционных рекуррентных нейросетей из-за проблем с градиентами и памятью. Reservoir Computing (RC) решает часть проблем, используя фиксированные рекуррентные слои, но плохо масштабируется с ростом размерности входных данных. Sequential RC предлагает практическое решение для реального времени.
Предложенная архитектура сохраняет простоту и эффективность классического RC, но обеспечивает гораздо лучшую масштабируемость. Это открывает путь к созданию энергоэффективных систем прогнозирования для научных и инженерных приложений, где критичны скорость и точность.
