Fugu-MT 論文翻訳(概要): Teaching a neural network with non-tunable exciton-polariton nodes

論文の概要: Teaching a neural network with non-tunable exciton-polariton nodes

arxiv url: http://arxiv.org/abs/2107.11156v1
Date: Fri, 23 Jul 2021 12:04:38 GMT
ステータス: 処理完了
システム内更新日: 2021-07-26 14:12:07.465106
Title: Teaching a neural network with non-tunable exciton-polariton nodes
Title（参考訳）: 非可変エキシトン・ポーラリトンノードを用いたニューラルネットワークの学習
Authors: Andrzej Opala, Riccardo Panico, Vincenzo Ardizzone, Barbara Pietka, Jacek Szczytko, Daniele Sanvitto, Micha{\l} Matuszewski, Dario Ballarini
Abstract要約: 本研究では,非可変なエクシトン・ポラリトンノードのシステムと効率的な教育法を提案する。我々は,MNIST手書きディジットベンチマークの分類精度が大幅に向上していることを実験的に実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In contrast to software simulations of neural networks, hardware or neuromorphic implementations have often limited or no tunability. While such networks promise great improvements in terms of speed and energy efficiency, their performance is limited by the difficulty to apply efficient teaching. We propose a system of non-tunable exciton-polariton nodes and an efficient teaching method that relies on the precise measurement of the nonlinear node response and the subsequent use of the backpropagation algorithm. We demonstrate experimentally that the classification accuracy in the MNIST handwritten digit benchmark is greatly improved compared to the case where backpropagation is not used.
Abstract（参考訳）: ニューラルネットワークのソフトウェアシミュレーションとは対照的に、ハードウェアやニューロモルフィックの実装は、しばしば限定的あるいは変更性がない。このようなネットワークは、スピードとエネルギー効率において大きな改善を約束するが、その性能は効率的な教育を適用することの難しさによって制限される。本研究では,非線形ノード応答の精密測定とバックプロパゲーションアルゴリズムの応用により,可変でない励起子・ポーラリトンノードのシステムと効率的な指導手法を提案する。バックプロパゲーションを使用しない場合と比較して,MNIST手書きディジットベンチマークの分類精度が大幅に向上することを示した。

関連論文リスト

Learning Rate Optimization for Deep Neural Networks Using Lipschitz Bandits [9.361762652324968]
適切に調整された学習率によって、より高速なトレーニングとテストの精度が向上する。本稿では,ニューラルネットワークの学習速度を調整するためのLipschitz bandit-drivenアプローチを提案する。
論文参考訳（メタデータ） (2024-09-15T16:21:55Z)
Towards Efficient Verification of Quantized Neural Networks [9.352320240912109]
量子化は、深層ニューラルネットワークモデルにおける浮動小数点演算を整数演算に置き換える。本研究では,勾配に基づく探索手法と有界伝播手法を用いて,効率を向上できることを示す。
論文参考訳（メタデータ） (2023-12-20T00:43:13Z)
Enhanced quantum state preparation via stochastic prediction of neural network [0.8287206589886881]
本稿では,ニューラルネットワークの知識盲点を生かして,アルゴリズムの有効性を高めるための興味深い道を探る。本手法は,半導体ダブル量子ドットシステムにおける任意の量子状態の生成に使用される機械学習アルゴリズムを中心にしている。ニューラルネットワークが生成した予測を活用することにより、最適化プロセスの導出により、局所最適化を回避できる。
論文参考訳（メタデータ） (2023-07-27T09:11:53Z)
Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文参考訳（メタデータ） (2023-03-06T18:59:13Z)
Simple initialization and parametrization of sinusoidal networks via their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。まず,このような正弦波ニューラルネットワークの簡易版を提案する。次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文参考訳（メタデータ） (2022-11-26T07:41:48Z)
Neural Network Training with Asymmetric Crosspoint Elements [1.0773924713784704]
実用的な抵抗装置の非対称コンダクタンス変調は、従来のアルゴリズムで訓練されたネットワークの分類を著しく劣化させる。ここでは、ハミルトニアン Descent という代替の完全並列トレーニングアルゴリズムを記述し、実験的に示す。我々は、なぜデバイス非対称性が従来のトレーニングアルゴリズムと根本的に相容れないのか、新しいアプローチがどのようにそれを有用な機能として利用するのか、という批判的な直感を提供する。
論文参考訳（メタデータ） (2022-01-31T17:41:36Z)
Using Deep Neural Networks to Predict and Improve the Performance of Polar Codes [3.6804038214708563]
本研究では, 極性符号のフレーム誤り率を, 冷凍ビット構造順に予測するための深層ニューラルネットワークの訓練を行う手法を提案する。生成データセットに,ニューラルネットワークの訓練に用いるコードよりも効率的にコードを生成するための提案手法の能力を示す。
論文参考訳（メタデータ） (2021-05-11T10:24:51Z)
Stochastic Markov Gradient Descent and Training Low-Bit Neural Networks [77.34726150561087]
本稿では,量子化ニューラルネットワークのトレーニングに適用可能な離散最適化手法であるGradient Markov Descent (SMGD)を紹介する。アルゴリズム性能の理論的保証と数値的な結果の促進を提供する。
論文参考訳（メタデータ） (2020-08-25T15:48:15Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)
Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。上記の問題に対処するための特徴歪み法(Disout)を提案する。より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。