論文の概要: Stability and Memory-loss go Hand-in-Hand: Three Results in Dynamics & Computation

• arxiv url: http://arxiv.org/abs/2001.00766v2
• Date: Wed, 16 Sep 2020 12:24:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 17:36:52.076514
• Title: Stability and Memory-loss go Hand-in-Hand: Three Results in Dynamics & Computation
• Title（参考訳）: 安定性とメモリロスはハンドインハンド:ダイナミクスと計算の3つの結果
• Authors: G Manjunath
• Abstract要約: 何十年にもわたって答えられていない、基本的な安定性の問題に対する明確な答えを見つける。 我々は、生物学的にインスパイアされたコンピュータの理解と設計にタイムリーになることを期待している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The search for universal laws that help establish a relationship between dynamics and computation is driven by recent expansionist initiatives in biologically inspired computing. A general setting to understand both such dynamics and computation is a driven dynamical system that responds to a temporal input. Surprisingly, we find memory-loss a feature of driven systems to forget their internal states helps provide unambiguous answers to the following fundamental stability questions that have been unanswered for decades: what is necessary and sufficient so that slightly different inputs still lead to mostly similar responses? How does changing the driven system's parameters affect stability? What is the mathematical definition of the edge-of-criticality? We anticipate our results to be timely in understanding and designing biologically inspired computers that are entering an era of dedicated hardware implementations for neuromorphic computing and state-of-the-art reservoir computing applications.
• Abstract（参考訳）: 力学と計算の関係を確立する普遍法則の探索は、生物にインスパイアされたコンピューティングにおける最近の拡張主義的イニシアチブによって進められている。 このようなダイナミクスと計算の両方を理解するための一般的な設定は、時間入力に応答する駆動力学系である。 意外なことに、駆動システムのメモリロスは、内部状態を忘れるための特徴であり、何十年にもわたって解決されていない基本的な安定性に関する質問に対して、明確な答えを提供するのに役立つ。 駆動システムのパラメータの変更は安定性にどのように影響するか? 臨界点の数学的定義は何ですか。 我々は、ニューロモルフィックコンピューティングや最先端貯水池コンピューティングアプリケーションのための専用ハードウェア実装の時代に入る、生物学的にインスパイアされたコンピュータの理解と設計をタイムリーに行うことを期待する。

関連論文リスト

• Analog Alchemy: Neural Computation with In-Memory Inference, Learning and Routing [0.08965418284317034]
  そこでは、推論、学習、ルーティングにデバイス固有の物理ダイナミクスが使用される。 筆者は, スケーラブルなアーキテクチャのために, 局所学習の基板への適応性, 新たな材料スタック, 回路ブロックをハードウェアで証明し, クレジット代入問題の解決, アナログクロスバー間の効率的なルーティングを行う。
  論文  参考訳（メタデータ） (2024-12-30T10:35:03Z)
• Memory makes computation universal, remember? [0.0]
  メモリは2つの基本的な能力を通じて普遍的な計算を可能にする。 ニューラルネットワークのような並列システムは,基本単位に制限があるにもかかわらず,普遍的な計算を実現する方法を示す。 我々の分析は、生物学的システム、人工知能、人間の認知における計算の理解を統一する。
  論文  参考訳（メタデータ） (2024-12-23T18:51:46Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Neurocompositional computing: From the Central Paradox of Cognition to a new generation of AI systems [120.297940190903]
  AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。 ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
  論文  参考訳（メタデータ） (2022-05-02T18:00:10Z)
• End-to-end Algorithm Synthesis with Recurrent Networks: Logical Extrapolation Without Overthinking [52.05847268235338]
  機械学習システムが問題を過度に考えずに論理的外挿を行う方法を示す。 本稿では,問題インスタンスの明示的なコピーをメモリに保持して,それを忘れないようにするリコールアーキテクチャを提案する。 また、モデルが数に固有の行動を学ぶのを防ぎ、無期限に繰り返される行動を学ぶためにモデルをプッシュするプログレッシブトレーニングルーチンも採用しています。
  論文  参考訳（メタデータ） (2022-02-11T18:43:28Z)
• Task Agnostic Metrics for Reservoir Computing [0.0]
  物理貯水池計算は、物理物質における時間的パターン認識を可能にする計算パラダイムである。 選択された力学系は、非線形性、複雑性、暗くなるメモリの3つの望ましい特性を持つ必要がある。 一般に, 減衰率の低いシステムは, 3つの評価指標すべてにおいて高い値に達することが示されている。
  論文  参考訳（メタデータ） (2021-08-03T13:58:11Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing [25.16076541420544]
  機械学習は、特にディープラーニングの形で、人工知能の最近の基本的な発展のほとんどを駆動している。 ディープラーニングは、オブジェクト/パターン認識、音声と自然言語処理、自動運転車、インテリジェントな自己診断ツール、自律ロボット、知識に富んだパーソナルアシスタント、監視といった分野に成功している。 本稿では、電力効率の高いインメモリコンピューティング、ディープラーニングアクセラレーター、スパイクニューラルネットワークの実装のための潜在的なソリューションとして、CMOSハードウェア技術、memristorsを超越した小説をレビューする。
  論文  参考訳（メタデータ） (2020-04-30T16:49:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。