Fugu-MT 論文翻訳(概要): Artificial Neural Network and its Application Research Progress in Distillation

論文の概要: Artificial Neural Network and its Application Research Progress in Distillation

arxiv url: http://arxiv.org/abs/2110.01449v1
Date: Fri, 1 Oct 2021 06:25:53 GMT
ステータス: 処理完了
システム内更新日: 2021-10-07 07:51:19.031317
Title: Artificial Neural Network and its Application Research Progress in Distillation
Title（参考訳）: 人工ニューラルネットワークとその蒸留への応用研究の進展
Authors: Jing Sun, Qi Tang
Abstract要約: ニューラルネットワークは、さまざまなルールとアルゴリズムを学び、異なる方法で情報を処理する。本稿では, 人工ニューラルネットワークの基本的概要を述べるとともに, 国内外の蒸留における人工ニューラルネットワークの応用研究を紹介する。
参考スコア（独自算出の注目度）: 3.2484467083803583
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial neural networks learn various rules and algorithms to form different ways of processing information, and have been widely used in various chemical processes. Among them, with the development of rectification technology, its production scale continues to expand, and its calculation requirements are also more stringent, because the artificial neural network has the advantages of self-learning, associative storage and high-speed search for optimized solutions, it can make high-precision simulation predictions for rectification operations, so it is widely used in the chemical field of rectification. This article gives a basic overview of artificial neural networks, and introduces the application research of artificial neural networks in distillation at home and abroad.
Abstract（参考訳）: ニューラルネットワークは様々な規則やアルゴリズムを学び、様々な方法で情報を処理し、様々な化学プロセスで広く使われている。このうち、整流化技術の発展により、その生産規模は拡大し続け、計算要件も厳密であり、ニューラルネットワークは自己学習、連想記憶、最適化解の高速探索の利点があるため、整流処理のための高精度シミュレーション予測が可能となり、整流化化学分野で広く用いられている。本稿では,人工ニューラルネットワークの基礎的概要を説明し,国内外の蒸留における人工ニューラルネットワークの応用研究について紹介する。

関連論文リスト

Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
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)
Design and development of opto-neural processors for simulation of neural networks trained in image detection for potential implementation in hybrid robotics [0.0]
リビングニューラルネットワークは、消費電力の低減、処理の高速化、生物学的リアリズムの利点を提供する。本研究は,オプトジェネティクスによる精密アクティベーションを用いたSTDPベースのアルゴリズムを逆伝播させることにより,間接的に訓練されたシミュレーション型生きたニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-01-17T04:42:49Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-06T13:04:45Z)
An Artificial Neural Network Functionalized by Evolution [2.0625936401496237]
フィードフォワードニューラルネットワークのテンソル計算と擬似ダーウィン機構を組み合わせたハイブリッドモデルを提案する。これにより、戦略の解明、制御問題、パターン認識タスクに適したトポロジを見つけることができる。特に、このモデルは初期の進化段階に適応したトポロジを提供し、ロボット工学、ビッグデータ、人工生命に応用できる「構造収束」を提供することができる。
論文参考訳（メタデータ） (2022-05-16T14:49:58Z)
On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文参考訳（メタデータ） (2021-05-26T20:55:29Z)
A review of neural network algorithms and their applications in supercritical extraction [5.455337487096457]
本稿では,ニューラルネットワークの基本概念と研究の進展と超臨界抽出について概説する。産業技術の発展と革新の参考となることを目的としている。
論文参考訳（メタデータ） (2020-10-31T01:51:02Z)
Neuromorphic Processing and Sensing: Evolutionary Progression of AI to Spiking [0.0]
スパイキングニューラルネットワークアルゴリズムは、計算と電力要求の一部を利用して高度な人工知能を実装することを約束する。本稿では,スパイクに基づくニューロモルフィック技術の理論的研究について解説し,ハードウェアプロセッサ,ソフトウェアプラットフォーム,ニューロモルフィックセンシングデバイスの現状について概説する。プログレクションパスは、現在の機械学習スペシャリストがスキルセットを更新し、現在の世代のディープニューラルネットワークからSNNへの分類または予測モデルを作成するために舗装されている。
論文参考訳（メタデータ） (2020-07-10T20:54:42Z)
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。