盖世汽车讯 各种形式的模式识别，特别是机器学习，已经被广泛应用于各种现代技术。通过发现数据中的模式，机器学习能够将此类模式转变为可理解的信息，比如，识别自动驾驶汽车行进路径上的物体，或者识别入侵者的热特征等。

以与机器学习类似的方式，一种名为“储备池计算”（reservoir computing）的新兴框架可用于从数据中学习模式。此种计算形式的关键是采用一个复杂的系统，通过该系统对信息进行重复计算。这一切可通过一种循环神经网络（RNN）来完成，该网络采用动力系统或“储备池”来执行模式识别任务。

可识别声音的材料（图片来源：advancedsciencenews.com）

不过，传统的RNN由大量独立、相互连接的节点或具有多个参数的神经元构成，会导致此类系统笨拙、难以训练，甚至会导致高能量消耗，从而阻碍应用。储备池计算则通过随机选择参数以及只训练输出节点来简化这一点，极大地降低复杂性。

模式识别材料

最近的研究已经转向采用能够执行模式识别任务的物理基础，来进行储备池计算。只要此类材料足够复杂、非线性（输入的变化不一定与输出的变化相同），并且具有渐渐减弱的记忆特性，即该系统随着时间的推移，回忆过去输入的信号的能力逐渐减弱，其就能够发挥储备池的作用。

据外媒报道，在近日一篇新论文中，作者就描述了一种无生命材料，该材料能够以人类所说的数字形式识别和解释模式。该材料由被称为“skyrmions”的小型磁涡流构成，可以对电压形式的信号做出反应。

该论文的主要作者、杜伊斯堡-埃森大学（the University of Duisburg-Essen, UDE）与根特大学（Ghent University）合作研究人员Robin Msiska解释说：“简单地说，你可以将其想象成一个黑白网格图案，能够根据输入信号改变形状。”

此种能力意味着skyrmion薄膜（技术上被称为多信道skyrmion织物储备池计算机），可形成类似于二维码的独特模式，以响应首先被转换成电压的语音数字。然后，采用简单的技术就可以翻译并读出该二维码。

Msiska及研究团队采用标准数据库中0到9的语音数字录音来测试该材料，测量说话每个时刻的强度和频率，然后将此类数据转换成电压，再通过39个接触点施加到薄膜上。

研究小组还与根特大学教授Jonathan Leliaert合作，在佛兰德斯超级计算机中心（Jonathan Leliaert）进行了复杂的模拟，发现此种材料对听到的数字能够正确识别超97%。

当skyrmion系统只专注于女性声音时，成功率提高了，在此种情况下，该系统能够正确识别几乎99%输入的数字。

研究团队负责人兼UDE大学物理学家Everschor-Sitte表示，她对研究结果感到很高兴，并且补充道：“研究结果显示了有史以来具有最佳性能的材料内储备池计算机。”

更快、更小、更节能

该项研究更令人印象深刻的是，该材料非常小，却仍具有成效。该材料的尺寸为一平方微米，与人类大脑中最小的神经元长度大致相同，证明了语音识别不需要更大的人工神经元或节点系统，它们也能做类似的工作，但是会消耗更多的能量。

Everschor-Sitte表示：“如果采用深度神经网络，训练很昂贵，需要大量的数据集。我们的材料系统能够解决机器学习问题，而不需要建立一个由数百万个相互连接的神经元组成的系统，研究中呈现的语音识别只是一个例子。该系统速度更快、能耗更低。”

该UDE物理学家认为，此种材料可以应用于必须探测和识别不同类型信号的设备，超越了对口头数字的解释，可能的应用包括自动驾驶汽车、天气预报以及医疗应用的传感器。

就医疗传感器应用而言，该研究团队正在研究他们的材料是否会对标准医学检查：脑电图（EEG）产生影响。EEG能够测量大脑的电活动，研究人员想知道是否可以用磁性skyrmions来解释脑电图的结果。