Fugu-MT 論文翻訳(概要): Reservoir Computing with Planar Nanomagnet Arrays

論文の概要: Reservoir Computing with Planar Nanomagnet Arrays

arxiv url: http://arxiv.org/abs/2003.10948v1
Date: Tue, 24 Mar 2020 16:25:31 GMT
ステータス: 処理完了
システム内更新日: 2022-12-20 09:09:55.612679
Title: Reservoir Computing with Planar Nanomagnet Arrays
Title（参考訳）: 平面ナノマグネットアレイを用いた貯留層計算
Authors: Peng Zhou, Nathan R. McDonald, Alexander J. Edwards, Lisa Loomis, Clare D. Thiem, Joseph S. Friedman
Abstract要約: プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が増大する中で、期待できる新しいソリューションである。プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が増大する中で、期待できる新しいソリューションである。
参考スコア（独自算出の注目度）: 58.40902139823252
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reservoir computing is an emerging methodology for neuromorphic computing that is especially well-suited for hardware implementations in size, weight, and power (SWaP) constrained environments. This work proposes a novel hardware implementation of a reservoir computer using a planar nanomagnet array. A small nanomagnet reservoir is demonstrated via micromagnetic simulations to be able to identify simple waveforms with 100% accuracy. Planar nanomagnet reservoirs are a promising new solution to the growing need for dedicated neuromorphic hardware.
Abstract（参考訳）: 貯水池コンピューティングはニューロモルフィックコンピューティングの新たな方法論であり、特にswap(hardware implementation in size, weight, and power)制約環境に適している。本研究では,平面ナノマグネットアレイを用いた貯水池コンピュータのハードウェア実装を提案する。微小ナノマグネット貯水池を電磁シミュレーションで示し、単純な波形を100%精度で識別することができる。プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が高まる中で、期待できる新しいソリューションである。

関連論文リスト

Hybrid Magnonic Reservoir Computing [0.0]
我々は貯水池コンピュータとしてAuto-Oscillation Ringを使用するための確立した設計を構築した。これらの設計は,従来の高密度ニューラルネットワークよりも多種多様な実世界のデータセットで実行可能であることを示す。
論文参考訳（メタデータ） (2024-04-25T18:21:43Z)
Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
論文参考訳（メタデータ） (2023-09-01T18:02:04Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
A perspective on physical reservoir computing with nanomagnetic devices [1.9007022664972197]
我々は、スピントロニクスデバイスを用いた計算に適した単純なトレーニングアルゴリズムを備えたリカレントネットワークである貯水池コンピューティングパラダイムに焦点を当てた。我々はニューロモルフィック・スピントロニクスデバイスを開発するための技術や手法をレビューし、そのようなデバイスが広く使われるようになる前に対処すべき重要なオープン・イシューを結論付ける。
論文参考訳（メタデータ） (2022-12-09T13:43:21Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Quantifying the Computational Capability of a Nanomagnetic Reservoir Computing Platform with Emergent Magnetization Dynamics [1.7042411355890392]
創発的な磁化ダイナミクスを持つ相互接続型磁性ナノリングのアレイが貯水池計算への応用のために提案されている。このような貯水池はハイパーパラメータをチューニングすることで分類タスクに最適化可能であることを示す。次に, リングアレイの磁気状態の複数の同時測定値を含むように貯水池の出力を拡大することにより, これらの測定値をさらに改善できることを示す。
論文参考訳（メタデータ） (2021-11-29T15:35:39Z)
Passive frustrated nanomagnet reservoir computing [46.58639203503041]
天然のハードウェア貯水池は受動的で、最小限で、表現力があり、実現可能であるべきである。低消費電力相補性金属酸化物半導体(CMOS)回路を用いたフラストレーションナノマグネット貯水池計算(NMRC)システムを提案する。提案方式はCMOSエコー状態ネットワーク (ESN) と比較し, リソース全体の減少率を10,000,000以上とした。
論文参考訳（メタデータ） (2021-03-16T22:32:49Z)
Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文参考訳（メタデータ） (2021-01-05T03:55:04Z)
Building Reservoir Computing Hardware Using Low Energy-Barrier Magnetics [0.0]
貯水池コンピュータのような生物学的に繰り返されるニューラルネットワークは、単純な学習方式とカルマンフィルタとの深い接続により、ハードウェアの観点から興味深い。このようなデバイスを用いた貯水池コンピュータのコンパクトな実装は、エッジデバイスにおけるスタンドアロンまたは直感的なマシン認識のためのコンパクトでエネルギー効率のよい信号プロセッサの構築を可能にする。
論文参考訳（メタデータ） (2020-07-06T14:11:45Z)

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。