Spatio-temporales Reservoir Computing am Beispiel von Bewegungserkennung

Maschinelle Lernverfahren werden in der heutigen Zeit immer wichtiger. Computer sollen in der Lage sein, Aufgaben menschenähnlich zu lösen. Komplexe Problemstellungen wie die Erkennung von Sprache und Bild sind dabei eine Herausforderung. Eine Lösungsmethode bietet das Konzept des Reservoir Computings. Das relativ neue Lernverfahren basiert auf einem rekurrenten Neuronalen Netz, das Eingangsdaten in einem hochdimensionalen Zustandsraum abbildet. Das Netz bleibt dabei unverändert, lediglich eine Ausleseschicht wird anhand einer Datenbank trainiert. Diese Vorgehensweise erlaubt einen einfachen Umgang mit einem dem Gehirn nachempfundenen Aufbau des Netzes. Zeitabhängige Signale können verarbeitet und trainiert werden. Die vorgestellte Arbeit beschäftigt sich mit einer experimentellen Umsetzung dieses Konzepts. Dabei wird das Photonische Reservoir Computing betrachtet, wobei über den Einsatz eines optischen Aufbaus Daten schnell und energieeffizient transformiert werden können. Das trainierte Netzwerk muss im Anschluss sechs verschiedene menschliche Aktionen aus einer Videodatenbank unterscheiden. Ebenfalls wird der Aufbau am Rechner simuliert und mit den Labordaten verglichen.