Konstanz ve Stuttgart üniversitelerindeki araştırmacılar, bir sıvı damlası içinde yörüngede tutulan 400 mikroskobik parçacıktan oluşan kolloidal bir düzenekle fiziksel rezervuar hesaplama deneyi gerçekleştirdi. Çalışmada sistem, kaotik Mackey-Glass serisinin tahmininde ve sinyalin ortalamasını, varyansını ve kısa süreli otokorelasyonunu değiştirmeyen anormalliklerin tespitinde kullanıldı. Daha zor kabul edilen bu anomali görevinde F1 skoru 0.90 olarak raporlandı.
Düzeneğin her bir osilatörü, 3μm yarıçaplı bir silika küreden oluşuyor. Kürenin bir yüzü 80nm karbon kaplamaya sahip ve parçacıklar 28°C sıcaklıktaki su-lutidin karışımında askıda tutuluyor. 532nm lazer, karbon kaplı kısmı ısıtarak parçacığı belirlenen hedef noktaya doğru itiyor. Ancak görüntüleme ile lazerin yeniden konumlandırılması arasındaki gecikme nedeniyle parçacık hedefi aşıyor ve küçük bir yörüngeye oturuyor. Komşu yörüngeler de sıvı içindeki akış alanları üzerinden birbirine bağlanıyor.
Girdi verisi, hedef noktalarının yer değiştirmesiyle sisteme veriliyor. Parçacıklar arasındaki kafes aralığı bağlaşım kuvvetini belirlerken, sönüm eşiği de her parçacığın ne kadar salınacağını ayarlıyor. İki parametre de deney sürerken değiştirilebiliyor ve tahmin hatasının bu parametre alanında üç kattan fazla farklılaştığı belirtiliyor. Ayrıca doğruluk, girdinin osilatörlerin yalnızca %20’sine uygulanması durumunda ve bazı parçacıkların lazere yanıt vermemesi ya da kümelenmesi halinde de korunabildi.
Sistem, tek adımlı Mackey-Glass tahmininde yaklaşık 0.1 normalize kök ortalama karesel hata değerine ulaştı. Karşılaştırma için memristor tabanlı rezervuarların aynı ölçütte 0.01 veya daha iyi sonuç verdiği, yani bu kolloidal yaklaşımın yaklaşık 10 kat daha düşük doğruluk sunduğu ifade ediliyor. Öte yandan araştırmacılar, zaman çoğullama kullanmamasını platformun ayırt edici tarafı olarak öne çıkarıyor.
Deney düzeneği; 532nm lazer, 100 kHz hızında tarama yapan iki eksenli akusto-optik saptırıcı, gerçek zamanlı mikroskopi ve parçacık takibi, sıcaklık kontrollü kuvars hücre ve çıktıyı üretmek için 1,000 Gaussian kernel ile ridge regression kullanan geleneksel bir bilgisayar gerektiriyor. Buna karşın makalede enerji tüketimine dair veri yer almıyor. Ekip, lazerle sürülen bu yapının pratik kullanımının sınırlı olabileceğini kabul ederken, elektrotla sürülen kolloidler gibi daha basit etkinleştirme yöntemlerine işaret ediyor.
