論文の概要: Random pattern and frequency generation using a photonic reservoir computer with output feedback

• arxiv url: http://arxiv.org/abs/2012.10615v1
• Date: Sat, 19 Dec 2020 07:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 04:14:39.598863
• Title: Random pattern and frequency generation using a photonic reservoir computer with output feedback
• Title（参考訳）: 出力フィードバックを持つフォトニック貯水池コンピュータを用いたランダムパターンと周波数生成
• Authors: Piotr Antonik, Michiel Hermans, Marc Haelterman, Serge Massar
• Abstract要約: 貯留層コンピューティング(Reservoir computing)は、時間依存信号を処理するためのバイオインスパイアされたコンピューティングパラダイムである。 出力フィードバックを持つ最初の光電子貯水池コンピュータを実演し、時系列生成タスクの2つの例でテストする。
• 参考スコア（独自算出の注目度）: 3.0395687958102937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir computing is a bio-inspired computing paradigm for processing time dependent signals. The performance of its analogue implementations matches other digital algorithms on a series of benchmark tasks. Their potential can be further increased by feeding the output signal back into the reservoir, which would allow to apply the algorithm to time series generation. This requires, in principle, implementing a sufficiently fast readout layer for real-time output computation. Here we achieve this with a digital output layer driven by a FPGA chip. We demonstrate the first opto-electronic reservoir computer with output feedback and test it on two examples of time series generation tasks: frequency and random pattern generation. We obtain very good results on the first task, similar to idealised numerical simulations. The performance on the second one, however, suffers from the experimental noise. We illustrate this point with a detailed investigation of the consequences of noise on the performance of a physical reservoir computer with output feedback. Our work thus opens new possible applications for analogue reservoir computing and brings new insights on the impact of noise on the output feedback.
• Abstract（参考訳）: 貯水池コンピューティングは、時間に依存する信号を処理するためのバイオインスパイアされたコンピューティングパラダイムである。 アナログ実装の性能は、一連のベンチマークタスクで他のデジタルアルゴリズムと一致している。 それらのポテンシャルは、出力信号を貯水池に戻すことでさらに増大し、このアルゴリズムを時系列生成に適用することができる。 これは原則として、リアルタイムの出力計算に十分な高速な読み出し層を実装する必要がある。 ここではFPGAチップによって駆動されるデジタル出力層を用いてこれを実現する。 出力フィードバックを持つ最初の光電子貯水池コンピュータを実演し、時系列生成タスクの2つの例(周波数とランダムパターン生成)でテストする。 理想的な数値シミュレーションと同様、最初のタスクで非常に良い結果が得られる。 しかし、後者のパフォーマンスは、実験的なノイズに悩まされている。 本稿では,出力フィードバックを用いた物理貯留層コンピュータの性能に及ぼすノイズの影響について詳細に検討した。 そこで,本研究はアナログ貯水池計算の新たな応用を開拓し,ノイズが出力フィードバックに与える影響について新たな知見をもたらす。

関連論文リスト

• Multi-task Photonic Reservoir Computing: Wavelength Division Multiplexing for Parallel Computing with a Silicon Microring Resonator [0.0]
  単一フォトニックチップで4つの独立したタスクを同時に解くために、時間と波長分割多重化(WDM)を用いることを数値的に示す。 システムのフットプリントは、研究されたニューラルネットワークスキームのニューロンとして機能するノードの時間分割多重化を用いて削減される。
  論文  参考訳（メタデータ） (2024-07-30T20:54:07Z)
• 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)
• Masked Audio Generation using a Single Non-Autoregressive Transformer [90.11646612273965]
  MAGNeTは、複数のオーディオトークンストリーム上で直接動作するマスク付き生成シーケンスモデリング手法である。 テキスト・トゥ・ミュージック・アンド・テキスト・トゥ・オーディオ・ジェネレーションのタスクにおけるMAGNeTの有効性を実証する。 我々は、自己回帰と非自己回帰モデリングのトレードオフを指摘するとともに、MAGNeTを構成する各コンポーネントの重要性を強調した。
  論文  参考訳（メタデータ） (2024-01-09T14:29:39Z)
• Posterior Sampling with Delayed Feedback for Reinforcement Learning with Linear Function Approximation [62.969796245827006]
  Delayed-PSVI は楽観的な値に基づくアルゴリズムであり、後続サンプリングによる雑音摂動により値関数空間を探索する。 我々のアルゴリズムは、未知の遅延が存在する場合に、$widetildeO(sqrtd3H3 T + d2H2 E[tau]$最悪の後悔を実現する。 遅延LPSVIのための勾配に基づく近似サンプリングスキームをLangevin動的に組み込んだ。
  論文  参考訳（メタデータ） (2023-10-29T06:12:43Z)
• Time-shift selection for reservoir computing using a rank-revealing QR algorithm [0.0]
  そこで本研究では, 位置対応QRアルゴリズムを用いて, 貯水池行列のランクを最大化することにより, 時間シフトを選択する手法を提案する。 提案手法は, 基本的にすべての場合において, ランダムな時間シフト選択よりも精度が向上することがわかった。
  論文  参考訳（メタデータ） (2022-11-29T14:55:51Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• Win the Lottery Ticket via Fourier Analysis: Frequencies Guided Network Pruning [50.232218214751455]
  最適ネットワークプルーニングは、数学的にはNPハード問題である非自明なタスクである。 本稿では,MBP(Magnitude-Based Pruning)方式について検討し,新しい視点から解析する。 また,新たな2段階プルーニング手法を提案し,その1段階はプルーニングネットワークのトポロジ的構造を取得し,もう1段階はプルーニングネットワークを再訓練し,キャパシティを回復させる。
  論文  参考訳（メタデータ） (2022-01-30T03:42:36Z)
• Natural quantum reservoir computing for temporal information processing [4.785845498722406]
  貯留層計算(Reservoir computing)は、人工的または物理的散逸動態を利用する時間情報処理システムである。 本稿では, 量子ビットに付加される自然ノイズによって散逸特性が供給される貯水池として, 現実の超伝導量子コンピューティングデバイスを用いる方法を提案する。
  論文  参考訳（メタデータ） (2021-07-13T01:58:57Z)
• Online training for high-performance analogue readout layers in photonic reservoir computers [2.6104700758143666]
  貯留層コンピューティング(Reservoir Computing)は、時間依存の信号を処理するためのバイオインスパイアされたコンピューティングパラダイムである。 これらの実装の主なボトルネックは、遅いオフラインの事後処理に基づく読み出し層である。 本稿では,これらの問題を解決するためのオンライントレーニングを提案する。
  論文  参考訳（メタデータ） (2020-12-19T07:12:26Z)
• Photonic reservoir computer based on frequency multiplexing [56.663315405998354]
  本稿では、周波数領域多重化を利用してニューロン状態を符号化する貯水池コンピュータのフォトニック実装について報告する。 このシステムは同時に25個のコムライン(すなわち25個のニューロン)を20MHzの速度で処理する。
  論文  参考訳（メタデータ） (2020-08-25T19:30:42Z)

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。