論文の概要: Wave-based extreme deep learning based on non-linear time-Floquet entanglement

• arxiv url: http://arxiv.org/abs/2107.08564v1
• Date: Mon, 19 Jul 2021 00:18:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 14:35:03.649750
• Title: Wave-based extreme deep learning based on non-linear time-Floquet entanglement
• Title（参考訳）: 非線形時間フローエンタングルメントに基づく波ベースの極深学習
• Authors: Ali Momeni and Romain Fleury
• Abstract要約: 強い非線形性を必要とする複雑なニューロモルフィック・コンピューティング・タスクは、これまで波動ベース・ソリューションのアウト・オブ・リーチに留まってきた。 本稿では,周波数の異なる信号入力間の強い非線形絡み合いを誘発する時間-浮動小数点物理学の関連性を示す。 エクストリームラーニングマシンと貯水池コンピューティングの手法の有効性を実証し,様々な学習課題を解決する。
• 参考スコア（独自算出の注目度）: 0.7614628596146599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wave-based analog signal processing holds the promise of extremely fast, on-the-fly, power-efficient data processing, occurring as a wave propagates through an artificially engineered medium. Yet, due to the fundamentally weak non-linearities of traditional wave materials, such analog processors have been so far largely confined to simple linear projections such as image edge detection or matrix multiplications. Complex neuromorphic computing tasks, which inherently require strong non-linearities, have so far remained out-of-reach of wave-based solutions, with a few attempts that implemented non-linearities on the digital front, or used weak and inflexible non-linear sensors, restraining the learning performance. Here, we tackle this issue by demonstrating the relevance of Time-Floquet physics to induce a strong non-linear entanglement between signal inputs at different frequencies, enabling a power-efficient and versatile wave platform for analog extreme deep learning involving a single, uniformly modulated dielectric layer and a scattering medium. We prove the efficiency of the method for extreme learning machines and reservoir computing to solve a range of challenging learning tasks, from forecasting chaotic time series to the simultaneous classification of distinct datasets. Our results open the way for wave-based machine learning with high energy efficiency, speed, and scalability.
• Abstract（参考訳）: 波ベースのアナログ信号処理は、人工的に設計された媒体を介して波が伝播するときに発生する非常に高速でオンザフライで電力効率の良いデータ処理の可能性を秘めている。 しかし、従来の波動材料の基本的な非線形性のため、そのようなアナログプロセッサは画像エッジ検出や行列乗算のような単純な線形射影に限られている。 複雑なニューロモルフィックコンピューティングタスクは、本質的に強い非線形性を必要とするが、これまではウェーブベースソリューションの限界外にとどまっており、デジタルフロントに非線形性を実装したり、弱く柔軟性のない非線形センサを使用して学習性能を阻害したりしている。 本稿では,信号入力間の周波数差の強い非線形絡み合いを誘導し,一様変調誘電体層と散乱媒質を含むアナログ極深層学習のための高効率・多目的波プラットフォームを実現するため,時間-フロケット物理の関連性を示す。 我々は,カオス時系列の予測から,異なるデータセットの同時分類に至るまで,学習課題を解くために,極端な学習マシンと貯水池コンピューティングの手法の有効性を実証する。 その結果, 高エネルギー効率, 高速, 拡張性を備えたウェーブベース機械学習が実現した。

関連論文リスト

• Data-driven model reconstruction for nonlinear wave dynamics [0.0]
  複雑な波動媒質における光ウェーブレットの非線形進化ダイナミクスを解析するための解釈可能な機械学習フレームワークを提案する。 我々はスパースレグレッションを用いて、ウェーブパケットエンベロープの力学を正確に記述できるより単純な有効モデルに微視的な離散格子モデルを還元する。 再構成された方程式は、自己中心化や自己焦点化を含む線形分散非線形効果を正確に再現する。
  論文  参考訳（メタデータ） (2024-11-18T13:17:10Z)
• Unconventional Computing based on Four Wave Mixing in Highly Nonlinear Waveguides [0.0]
  高非線形導波路の4波混合効果に基づくフォトニック非従来型加速器の数値解析を行った。 豊かなKerr誘起非線形性を利用することで、入力信号の複数の非線形変換を生成し、複雑な非線形タスクを解くのに使うことができる。
  論文  参考訳（メタデータ） (2024-02-14T12:34:38Z)
• Efficient Numerical Wave Propagation Enhanced By An End-to-End Deep Learning Model [0.0]
  本稿では,数値解法とディープラーニングコンポーネントをエンドツーエンドのフレームワークに統合する,新しい統合システムを提案する。 安定かつ高速な解法により、高周波波成分を補正する並列時間アルゴリズムであるPararealが利用可能となる。
  論文  参考訳（メタデータ） (2024-02-04T00:07:05Z)
• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Machine Learning Extreme Acoustic Non-reciprocity in a Linear Waveguide with Multiple Nonlinear Asymmetric Gates [68.8204255655161]
  この研究は、2つの局所的非線形非対称ゲートを組み込んだ受動1次元線形導波路による音響的非相互性の研究である。 最大透過率は40%に達し、上流から下流までの伝達エネルギーは波動伝播の方向によって最大9桁まで変化する。
  論文  参考訳（メタデータ） (2023-02-02T17:28:04Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Non-linear manifold ROM with Convolutional Autoencoders and Reduced Over-Collocation method [0.0]
  非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。 我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。 本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
  論文  参考訳（メタデータ） (2022-03-01T11:16:50Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Hierarchical Deep Learning of Multiscale Differential Equation Time-Steppers [5.6385744392820465]
  本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。 結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。 我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-22T07:16:53Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。

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。