論文の概要: Decision-making and control with metasurface-based diffractive neural networks

• arxiv url: http://arxiv.org/abs/2212.11278v1
• Date: Wed, 21 Dec 2022 14:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 15:29:06.946064
• Title: Decision-making and control with metasurface-based diffractive neural networks
• Title（参考訳）: metasurface-based diffractive neural networkによる意思決定と制御
• Authors: Jumin Qiu, Tianbao Yu, Lujun Huang, Andrey Miroshnichenko, Shuyuan Xiao
• Abstract要約: 人工知能の最終的な目標は、人間の脳を模倣して、高次元の感覚入力から直接意思決定と制御を行うことである。 全光回折ニューラルネットワークは、高速かつ低消費電力で人工知能を実現するための有望なソリューションを提供する。 本稿では,人間レベルの意思決定と制御能力の模倣を可能にする拡散ニューラルネットワークを実現するために,深層強化学習を提案する。
• 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: The ultimate goal of artificial intelligence is to mimic the human brain to perform decision-making and control directly from high-dimensional sensory input. All-optical diffractive neural networks provide a promising solution for realizing artificial intelligence with high-speed and low-power consumption. To date, most of the reported diffractive neural networks focus on single or multiple tasks that do not involve interaction with the environment, such as object recognition and image classification, while the networks that can perform decision-making and control, to our knowledge, have not been developed yet. Here, we propose to use deep reinforcement learning to realize diffractive neural networks that enable imitating the human-level capability of decision-making and control. Such networks allow for finding optimal control policies through interaction with the environment and can be readily realized with the dielectric metasurfaces. The superior performances of these networks are verified by engaging three types of classic games, Tic-Tac-Toe, Super Mario Bros., and Car Racing, and achieving the same or even higher levels comparable to human players. Our work represents a solid step of advancement in diffractive neural networks, which promises a fundamental shift from the target-driven control of a pre-designed state for simple recognition or classification tasks to the high-level sensory capability of artificial intelligence. It may find exciting applications in autonomous driving, intelligent robots, and intelligent manufacturing.
• Abstract（参考訳）: 人工知能の最終的な目標は、人間の脳を模倣して意思決定を行い、高次元の感覚入力から直接制御することである。 all-optical diffractive neural networksは、高速かつ低消費電力の人工知能を実現するための有望なソリューションを提供する。 これまで報告された拡散型ニューラルネットワークのほとんどが、物体認識や画像分類などの環境との相互作用を伴わない単タスクや複数タスクに焦点を当てているが、我々の知識に基づいて意思決定や制御を行うネットワークはまだ開発されていない。 本稿では,人間レベルの意思決定と制御能力の模倣を可能にする拡散ニューラルネットワークを実現するために,深層強化学習を提案する。 このようなネットワークは環境との相互作用を通じて最適な制御ポリシーを見つけ、誘電体準曲面で容易に実現することができる。 これらのネットワークの優れたパフォーマンスは、Tic-Tac-Toe、Super Mario Bros.、Car Racingの3種類のクラシックゲームに関わり、人間プレイヤーと同等またはそれ以上のレベルを達成することで検証される。 我々の研究は、人工知能の高レベルの知覚能力に、単純な認識や分類のために設計された状態の目標駆動制御から根本的なシフトを約束する、微分ニューラルネットワークの進歩の歩みを表している。 自動運転、インテリジェントロボット、そしてインテリジェントな製造にエキサイティングな応用が見つかるかもしれない。

関連論文リスト

• 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)
• Coherence Awareness in Diffractive Neural Networks [21.264497139730473]
  拡散ネットワークでは空間コヒーレンス(空間コヒーレンス)の程度が劇的な効果を持つことを示す。 特に、物体の空間的コヒーレンス長が光学系で保存される最小の特徴量に匹敵する場合、非コヒーレントおよびコヒーレント極端は許容できる近似として機能しないことを示す。
  論文  参考訳（メタデータ） (2024-08-13T07:19:40Z)
• Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G [58.440115433585824]
  デジタルツイン(DT)のようなサービスをサポートする将来の無線システムの構築は、メタサーフェスのような従来の技術への進歩を通じて達成することが困難である。 人工知能(AI)ネイティブネットワークは、無線技術のいくつかの制限を克服することを約束する一方で、開発は依然としてニューラルネットワークのようなAIツールに依存している。 本稿では、AIネイティブ無線システムの概念を再考し、それらを人工知能(AGI)ネイティブシステムに変換するために必要な共通感覚を取り入れた。
  論文  参考訳（メタデータ） (2024-04-29T04:51:05Z)
• HGFF: A Deep Reinforcement Learning Framework for Lifetime Maximization in Wireless Sensor Networks [5.4894758104028245]
  深部強化学習とヘテロジニアスグラフニューラルネットワークを組み合わせた新しいフレームワークを提案し,シンクの移動経路を自動構築する。 実世界の異なる無線センサネットワークをシミュレートする静的マップと動的マップを10種類設計する。 我々のアプローチは、あらゆる種類の地図において、既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-11T13:09:11Z)
• Genetically programmable optical random neural networks [0.0]
  遺伝的にプログラム可能であるが、光学的ランダムプロジェクションによる高性能を実現するための単純な光学ニューラルネットワークを実証する。 ランダムプロジェクションカーネルとして機能する散乱媒質の配向を遺伝的にプログラミングすることにより,本手法は最適なカーネルを発見し,初期試験精度を7-22%向上させる。 提案手法は,シンプルでスケーラブルな設計で,光ニューラルネットワークの高性能化を実現するための有望な手法である。
  論文  参考訳（メタデータ） (2024-03-19T06:55:59Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
  既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。 本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
  論文  参考訳（メタデータ） (2022-10-26T19:03:17Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Physical deep learning based on optimal control of dynamical systems [0.0]
  本研究では,連続時間力学系の最適制御に基づくパターン認識を行う。 鍵となる例として、光電子遅延システムにダイナミックスに基づく認識アプローチを適用する。 これは、多くの重みパラメータをトレーニングする必要がある従来の多層ニューラルネットワークとは対照的である。
  論文  参考訳（メタデータ） (2020-12-16T06:38:01Z)
• Compatible Learning for Deep Photonic Neural Network [0.0]
  フォトニックニューラルネットワークは、予測指向のタスクに重要な可能性を秘めている。 そこで我々は,非線形な活性化を効率的に選択できる,複雑な空間における互換性のある学習プロトコルを開発した。
  論文  参考訳（メタデータ） (2020-03-14T13:21:07Z)

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。