論文の概要: A photonic chip-based machine learning approach for the prediction of molecular properties

• arxiv url: http://arxiv.org/abs/2203.02285v1
• Date: Thu, 3 Mar 2022 03:15:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 16:20:22.260845
• Title: A photonic chip-based machine learning approach for the prediction of molecular properties
• Title（参考訳）: フォトニックチップを用いた機械学習による分子特性の予測
• Authors: Jonathan Wei Zhong Lau, Hui Zhang, Lingxiao Wan, Liang Shi, Hong Cai, Xianshu Luo, Patrick Lo, Chee-Kong Lee, Leong-Chuan Kwek, Ai Qun Liu
• Abstract要約: フォトニックチップ技術は、より高速なデータ処理と低エネルギー使用量でニューラルネットワークを実装するための代替プラットフォームを提供する。 分子の量子力学特性の予測におけるフォトニックニューラルネットワークの有用性を実証する。 我々の研究は、分子科学における大規模機械学習応用にフォトニック技術を活用するための道を開く。
• 参考スコア（独自算出の注目度）: 11.55177943027656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning methods have revolutionized the discovery process of new molecules and materials. However, the intensive training process of neural networks for molecules with ever increasing complexity has resulted in exponential growth in computation cost, leading to long simulation time and high energy consumption. Photonic chip technology offers an alternative platform for implementing neural network with faster data processing and lower energy usage compared to digital computers. Here, we demonstrate the capability of photonic neural networks in predicting the quantum mechanical properties of molecules. Additionally, we show that multiple properties can be learned simultaneously in a photonic chip via a multi-task regression learning algorithm, which we believe is the first of its kind, as most previous works focus on implementing a network for the task of classification. Photonics technology are also naturally capable of implementing complex-valued neural networks at no additional hardware cost and we show that such neural networks outperform conventional real-valued networks for molecular property prediction. Our work opens the avenue for harnessing photonic technology for large-scale machine learning applications in molecular sciences such as drug discovery and materials design.
• Abstract（参考訳）: 機械学習の手法は、新しい分子や材料の発見プロセスに革命をもたらした。 しかし、複雑な分子に対するニューラルネットワークの集中的なトレーニングプロセスは、計算コストの指数関数的な増加をもたらし、長いシミュレーション時間と高いエネルギー消費を生み出している。 フォトニックチップ技術は、デジタルコンピュータよりも高速なデータ処理とエネルギー消費の少ないニューラルネットワークを実装するための代替プラットフォームを提供する。 ここでは、分子の量子力学的性質を予測するためのフォトニックニューラルネットワークの能力を実証する。 さらに,マルチタスク回帰学習アルゴリズムを用いて,複数の特性をフォトニックチップで同時に学習できることが示される。 フォトニクス技術は、ハードウェアコストを伴わずに複雑な評価ニューラルネットワークを実装でき、分子特性予測のために従来の実数値ニューラルネットワークよりも優れていることを示す。 本研究は,創薬や材料設計などの分子科学における大規模機械学習応用にフォトニック技術を活用するための道を開いたものである。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Optical training of large-scale Transformers and deep neural networks with direct feedback alignment [48.90869997343841]
  我々は,ハイブリッド電子フォトニックプラットフォーム上で,ダイレクトフィードバックアライメントと呼ばれる多目的でスケーラブルなトレーニングアルゴリズムを実験的に実装した。 光処理ユニットは、このアルゴリズムの中央動作である大規模ランダム行列乗算を最大1500テラOpsで行う。 我々は、ハイブリッド光アプローチの計算スケーリングについて検討し、超深度・広帯域ニューラルネットワークの潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2024-09-01T12:48:47Z)
• 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)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Spatially Varying Nanophotonic Neural Networks [39.1303097259564]
  電子の代わりに光子を使った演算を実行するフォトニックプロセッサは、超低レイテンシと消費電力で光ニューラルネットワークを実現することを約束する。 既存の光学ニューラルネットワークは、基礎となるネットワーク設計によって制限されており、最先端の電子ニューラルネットワークよりもはるかに低い画像認識精度を実現している。
  論文  参考訳（メタデータ） (2023-08-07T08:48:46Z)
• The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
  この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。 まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。 次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
  論文  参考訳（メタデータ） (2021-11-27T15:12:42Z)
• Deep physical neural networks enabled by a backpropagation algorithm for arbitrary physical systems [3.7785805908699803]
  本稿では,ディープニューラルネットワークモデルを実現するための急進的な代替手段を提案する。 ニューラルネットとして機能する制御可能な物理システムのシーケンスを効率的に学習するために,物理認識トレーニングと呼ばれるハイブリッド物理デジタルアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2021-04-27T18:00:02Z)
• Neural networks in quantum many-body physics: a hands-on tutorial [0.0]
  本稿では、凝縮物質物理学および量子情報における機械学習の応用について概説する。 本稿では,畳み込み型ニューラルネットワークを用いた教師付き機械学習を用いて相転移を学習し,制限されたボルツマンマシンによる教師なし学習を用いて量子トモグラフィーを行い,多体ハミルトニアンの基底状態を近似するための繰り返しニューラルネットを用いた変分モンテカルロを提案する。
  論文  参考訳（メタデータ） (2021-01-26T22:04:29Z)
• Photonics for artificial intelligence and neuromorphic computing [52.77024349608834]
  フォトニック集積回路は超高速な人工ニューラルネットワークを可能にした。 フォトニックニューロモルフィックシステムはナノ秒以下のレイテンシを提供する。 これらのシステムは、機械学習と人工知能の需要の増加に対応する可能性がある。
  論文  参考訳（メタデータ） (2020-10-30T21:41:44Z)
• Deep neural networks for the evaluation and design of photonic devices [0.0]
  レビュー:ディープニューラルネットワークは、トレーニングセットからどのように学習し、高速サロゲート電磁解法として動作するか。 フォトニクスの文脈内での基本的なデータ科学についても論じる。
  論文  参考訳（メタデータ） (2020-06-30T19:52:54Z)
• 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。

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。