Fugu-MT 論文翻訳(概要): A Single-Layer Asymmetric RNN: Potential Low Hardware Complexity Linear Equation Solver

論文の概要: A Single-Layer Asymmetric RNN: Potential Low Hardware Complexity Linear Equation Solver

arxiv url: http://arxiv.org/abs/2105.00293v2
Date: Tue, 4 May 2021 08:10:55 GMT
ステータス: 処理完了
システム内更新日: 2023-04-01 21:40:42.681540
Title: A Single-Layer Asymmetric RNN: Potential Low Hardware Complexity Linear Equation Solver
Title（参考訳）: 単層非対称RNN:潜在的低ハードウェア複雑度線形方程式解
Authors: Mohammad Samar Ansari
Abstract要約: 線形方程式の解を求める単一層ニューラルネットワークについて述べる。線形方程式を解くことができる非対称ホップフィールドニューラルネットワークの結果。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A single layer neural network for the solution of linear equations is presented. The proposed circuit is based on the standard Hopfield model albeit with the added flexibility that the interconnection weight matrix need not be symmetric. This results in an asymmetric Hopfield neural network capable of solving linear equations. PSPICE simulation results are given which verify the theoretical predictions. Experimental results for circuits set up to solve small problems further confirm the operation of the proposed circuit.
Abstract（参考訳）: 線形方程式の解のための単一層ニューラルネットワークを提案する。提案回路は標準ホップフィールドモデルに基づいており、相互接続重み行列は対称でなくてもよいという柔軟性を付加している。これにより、線形方程式を解くことができる非対称ホップフィールドニューラルネットワークが得られる。 PSPICEシミュレーションの結果は、理論予測を検証する。小さな問題を解決するために設定された回路の実験結果は、提案回路の動作をさらに確認する。

関連論文リスト

FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
論文参考訳（メタデータ） (2024-09-06T07:17:01Z)
Calibrating Neural Networks' parameters through Optimal Contraction in a Prediction Problem [0.0]
論文では、リカレントニューラルネットワーク(RNN)を、パラメータが線形な領域の収縮に変換する方法について詳述する。次に、損失関数の特定の正規化項を持つRNNによってモデル化された予測問題は、その一階条件を解析的に表現できることを示した。特定の条件が満たされた場合、最適なパラメータが存在し、任意の所望の精度に簡単なアルゴリズムで見つけることができる。
論文参考訳（メタデータ） (2024-06-15T18:08:04Z)
The neural network models with delays for solving absolute value equations [0.0]
絶対値方程式 (AVE) $Ax -|x| - b =0$ を解くために, 混合遅延を持つ逆フリーニューラルネットワークモデルを提案する。 Lyapunov-Krasovskii理論と線形行列不等式(LMI)法を用いることで、開発されたニューラルネットワークモデルがAVEの解に指数収束することが証明された。
論文参考訳（メタデータ） (2023-10-17T03:26:35Z)
Conformal duality of the nonlinear Schrödinger equation: Theory and applications to parameter estimation [0.09782246441301058]
非線形シュリンガー方程式(NLSE)の統一理論について述べる。局所一次元立方晶NLSEの定常解はすべて、クロス比と呼ばれる1つの数に分類することができる。同じ交叉比を持つ任意の2つの解は、共形変換を用いて互いに変換することができる。
論文参考訳（メタデータ） (2023-06-30T15:03:51Z)
Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文参考訳（メタデータ） (2022-10-23T11:58:05Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文参考訳（メタデータ） (2022-08-18T05:00:24Z)
Deep neural network for solving differential equations motivated by Legendre-Galerkin approximation [16.64525769134209]
線形微分方程式と非線形微分方程式の両方における様々なニューラルネットワークアーキテクチャの性能と精度について検討する。我々は、微分方程式の解を予測するために、新しいレジェンダ-ガレルキンディープニューラルネットワーク(LGNet)アルゴリズムを実装した。
論文参考訳（メタデータ） (2020-10-24T20:25:09Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)
Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。