Fugu-MT 論文翻訳(概要): Nonlinear Autoregression with Convergent Dynamics on Novel Computational Platforms

論文の概要: Nonlinear Autoregression with Convergent Dynamics on Novel Computational Platforms

arxiv url: http://arxiv.org/abs/2108.08001v1
Date: Wed, 18 Aug 2021 07:01:16 GMT
ステータス: 処理完了
システム内更新日: 2021-08-19 14:27:15.607595
Title: Nonlinear Autoregression with Convergent Dynamics on Novel Computational Platforms
Title（参考訳）: 新しい計算プラットフォーム上での収束ダイナミクスによる非線形自己回帰
Authors: J. Chen and H. I. Nurdin
Abstract要約: 貯留層計算は時間情報処理に非線形力学系を利用する。本稿では、定常およびエルゴードの無限次非線形自己回帰モデルとして出力フィードバックを持つ貯水池コンピュータを紹介する。
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: Nonlinear stochastic modeling is useful for describing complex engineering systems. Meanwhile, neuromorphic (brain-inspired) computing paradigms are developing to tackle tasks that are challenging and resource intensive on digital computers. An emerging scheme is reservoir computing which exploits nonlinear dynamical systems for temporal information processing. This paper introduces reservoir computers with output feedback as stationary and ergodic infinite-order nonlinear autoregressive models. We highlight the versatility of this approach by employing classical and quantum reservoir computers to model synthetic and real data sets, further exploring their potential for control applications.
Abstract（参考訳）: 非線形確率モデリングは複雑な工学システムを記述するのに有用である。一方、ニューロモルフィック(脳にインスパイアされた)コンピューティングパラダイムは、デジタルコンピュータ上で困難でリソース集約的なタスクに取り組むために開発されている。時間情報処理に非線形力学系を利用する貯水池計算が新しい手法である。本稿では, 定常・エルゴード無限次非線形自己回帰モデルとして出力フィードバックを持つ貯留層コンピュータを提案する。我々は、古典的および量子貯水池コンピュータを用いて合成および実データ集合をモデル化し、制御応用の可能性を探ることによるこのアプローチの汎用性を強調した。

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)
Extrapolating tipping points and simulating non-stationary dynamics of complex systems using efficient machine learning [2.44755919161855]
本稿では,非線形力学系の分岐挙動を外挿する次世代貯水池計算に基づく,完全データ駆動型機械学習アルゴリズムを提案する。こうすることで、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。
論文参考訳（メタデータ） (2023-12-11T10:37:28Z)
Generative learning for nonlinear dynamics [7.6146285961466]
生成機械学習モデルは、トレーニングデータを超えて、現実的なアウトプットを生成します。これらの成功は、生成モデルが任意の複雑な分布を効果的にパラメータ化し、サンプリングすることを学ぶことを示唆している。我々は,これらの古典作品と大規模生成統計学習の新たなテーマを結びつけることを目的としている。
論文参考訳（メタデータ） (2023-11-07T16:53:56Z)
CoDBench: A Critical Evaluation of Data-driven Models for Continuous Dynamical Systems [8.410938527671341]
微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
論文参考訳（メタデータ） (2023-10-02T21:27:54Z)
Machine Learning with Chaotic Strange Attractors [0.0]
カオスな非線形アトラクタを利用して低消費電力で機械学習タスクを実行するアナログ計算手法を提案する。ニューロモルフィックコンピューティングにインスパイアされた我々のモデルは、機械学習タスクのためのプログラム可能で汎用的で一般化されたプラットフォームである。単純なアナログデバイスとしてデプロイする場合は、現在の機械学習技術と同等ながら、ミリワット規模の電力レベルしか必要としない。
論文参考訳（メタデータ） (2023-09-23T12:54:38Z)
Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。まず, 従来の貯水池計算が優れていることを示す。次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文参考訳（メタデータ） (2023-07-14T07:05:17Z)
Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-28T12:02:27Z)
Continual Learning of Dynamical Systems with Competitive Federated Reservoir Computing [29.98127520773633]
継続的な学習は、以前の動的体制なしで急激なシステム変更に迅速に適応することを目的としている。本研究は,連続学習に基づく貯水池計算へのアプローチを提案する。このマルチヘッド貯水池は、複数の力学系における干渉や忘れを最小化する。
論文参考訳（メタデータ） (2022-06-27T14:35:50Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。