論文の概要: Reservoir Computing with Magnetic Thin Films
- arxiv url: http://arxiv.org/abs/2101.12700v2
- Date: Mon, 30 Oct 2023 15:23:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 05:21:37.798438
- Title: Reservoir Computing with Magnetic Thin Films
- Title（参考訳）: 磁性薄膜を用いた貯留層計算
- Authors: Matthew Dale, David Griffin, Richard F. L. Evans, Sarah Jenkins, Simon
O'Keefe, Angelika Sebald, Susan Stepney, Fernando Torre, Martin Trefzer
- Abstract要約: 新しい非伝統的なコンピューティングハードウェアは、自然現象を利用して効率を上げる可能性を秘めている。
物理貯水池計算は、様々な非伝統的なシステムでこれを実証している。
マイクロスケールシミュレーションにより薄膜の3つの磁性体を初期探査する。
- 参考スコア（独自算出の注目度）: 35.32223849309764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in artificial intelligence are driven by technologies inspired by
the brain, but these technologies are orders of magnitude less powerful and
energy efficient than biological systems. Inspired by the nonlinear dynamics of
neural networks, new unconventional computing hardware has emerged with the
potential to exploit natural phenomena and gain efficiency, in a similar manner
to biological systems. Physical reservoir computing demonstrates this with a
variety of unconventional systems, from optical-based to memristive systems.
Reservoir computers provide a nonlinear projection of the task input into a
high-dimensional feature space by exploiting the system's internal dynamics. A
trained readout layer then combines features to perform tasks, such as pattern
recognition and time-series analysis. Despite progress, achieving
state-of-the-art performance without external signal processing to the
reservoir remains challenging. Here we perform an initial exploration of three
magnetic materials in thin-film geometries via microscale simulation. Our
results reveal that basic spin properties of magnetic films generate the
required nonlinear dynamics and memory to solve machine learning tasks
(although there would be practical challenges in exploiting these particular
materials in physical implementations). The method of exploration can be
applied to other materials, so this work opens up the possibility of testing
different materials, from relatively simple (alloys) to significantly complex
(antiferromagnetic reservoirs).
- Abstract（参考訳）: 人工知能の進歩は脳に触発された技術によってもたらされるが、これらの技術は生体システムよりも強力でエネルギー効率が良い。
ニューラルネットの非線形ダイナミクスに触発された新しい非伝統的なコンピューティングハードウェアは、生物学的システムと同じような方法で、自然現象を活用し、効率を上げる可能性を秘めている。
物理貯水池計算は、光学系から機械系まで、様々な非伝統的なシステムでこれを実証している。
貯水池コンピュータは、システムの内部ダイナミクスを利用して、高次元特徴空間に入力されるタスクを非線形に投影する。
トレーニングされた読み出し層は、パターン認識や時系列分析などのタスクを実行するために機能を組み合わせる。
進展にもかかわらず、外部信号処理を行わずに最先端の性能を達成することは依然として困難である。
ここでは, マイクロスケールシミュレーションによる薄膜における3つの磁性物質の初期探査を行う。
以上の結果から, 磁気フィルムの基本スピン特性は, 機械学習の課題を解くために必要な非線形ダイナミクスとメモリを生成することが判明した(物理実装におけるこれらの特定の材料の利用には現実的な課題がある)。
この方法は他の材料にも応用できるため、比較的単純な(合金の)ものからかなり複雑なもの(反強磁性貯水池)まで、様々な材料をテストできる可能性が開ける。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Optical Extreme Learning Machines with Atomic Vapors [0.3069335774032178]
極端学習機械は、高次元出力空間上の計算タスクを実行するために非線形ランダムプロジェクションを探索する。
本書では, 近共振条件下での原子ガスを用いた光学的極端学習装置の実現の可能性について検討する。
以上の結果から,これらのシステムは光学的極端学習機として機能するだけでなく,数光子レベルでも動作する可能性が示唆された。
論文 参考訳（メタデータ） (2024-01-08T10:19:28Z) - Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。
深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。
フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
論文 参考訳（メタデータ） (2023-12-11T17:43:58Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Harnessing Synthetic Active Particles for Physical Reservoir Computing [0.0]
貯留層計算(Reservoir computing)は、ノードのネットワークをフェージングメモリで刺激し、計算と複雑な予測を可能にする技術である。
ここでは, 能動および受動成分から自然にノイズの多い非線形力学単位へ自己組織する, 合成能動マイクロ粒子システムによる物理貯水池計算を実証する。
本研究は, 自己組織型能動粒子系における情報処理の研究の道を開くものである。
論文 参考訳（メタデータ） (2023-07-27T17:08:53Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳（メタデータ） (2023-01-31T19:04:28Z) - 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) - Gradient Descent in Materio [3.756477173839499]
材料システムにおいて, 損失関数の勾配降下を行うための, 効率的で正確なホモダイン勾配抽出法を示す。
これは、原則として勾配勾配勾配は、単純な電子を用いてマテオで完全に実装できることを示している。
論文 参考訳（メタデータ） (2021-05-15T12:18:31Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳（メタデータ） (2020-12-12T00:01:10Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
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。