論文の概要: Closed-form control with spike coding networks
- arxiv url: http://arxiv.org/abs/2212.12887v1
- Date: Sun, 25 Dec 2022 10:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:41:55.378500
- Title: Closed-form control with spike coding networks
- Title（参考訳）: スパイク符号化ネットワークを用いた閉形式制御
- Authors: Filip S. Slijkhuis, Sander W. Keemink, Pablo Lanillos
- Abstract要約: スパイキングニューラルネットワーク(SNN)を用いた効率的かつ堅牢な制御は、依然として未解決の問題である。
スパイク符号化ネットワーク(SCN)の神経科学理論を,クローズドフォームの最適推定と制御を取り入れて拡張する。
模擬スプリング・マス・ダンパーおよびカート・ポールシステムのロバストなスパイク制御を実証した。
- 参考スコア（独自算出の注目度）: 1.1470070927586016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient and robust control using spiking neural networks (SNNs) is still an
open problem. Whilst behaviour of biological agents is produced through sparse
and irregular spiking patterns, which provide both robust and efficient
control, the activity patterns in most artificial spiking neural networks used
for control are dense and regular -- resulting in potentially less efficient
codes. Additionally, for most existing control solutions network training or
optimization is necessary, even for fully identified systems, complicating
their implementation in on-chip low-power solutions. The neuroscience theory of
Spike Coding Networks (SCNs) offers a fully analytical solution for
implementing dynamical systems in recurrent spiking neural networks -- while
maintaining irregular, sparse, and robust spiking activity -- but it's not
clear how to directly apply it to control problems. Here, we extend SCN theory
by incorporating closed-form optimal estimation and control. The resulting
networks work as a spiking equivalent of a linear-quadratic-Gaussian
controller. We demonstrate robust spiking control of simulated
spring-mass-damper and cart-pole systems, in the face of several perturbations,
including input- and system-noise, system disturbances, and neural silencing.
As our approach does not need learning or optimization, it offers opportunities
for deploying fast and efficient task-specific on-chip spiking controllers with
biologically realistic activity.
- Abstract（参考訳）: スパイクニューラルネットワーク(snn)を用いた効率的でロバストな制御は、まだ未解決の問題である。
生物学的エージェントの振る舞いは、ロバストかつ効率的な制御を提供する、スパースおよび不規則なスパイクパターンによって生成されるが、制御に使用されるほとんどの人工スパイクニューラルネットワークのアクティビティパターンは、密度が高く、規則的である。
さらに、既存のほとんどの制御ソリューションでは、ネットワークトレーニングや最適化が必要であり、完全に識別されたシステムでも、オンチップの低消費電力ソリューションの実装を複雑にします。
スパイクコーディングネットワーク(scns)の神経科学理論は、再帰的なスパイクニューラルネットワークに動的システムを実装するための、完全に分析的なソリューションを提供する。
ここでは、閉形式最適推定と制御を取り入れてSCN理論を拡張する。
結果として得られるネットワークは、線形四角形-ガウス型コントローラのスパイク等価として機能する。
入力, システムノイズ, システム障害, 神経サイレンシングなど, 様々な摂動に直面して, 模擬スプリング・マス・ダンパーおよびカートポールシステムの強烈なスパイク制御を実証した。
われわれのアプローチは学習や最適化を必要としないため、生物学的に現実的な活動を伴う高速で効率的なタスク固有スパイクコントローラをデプロイする機会を提供する。
関連論文リスト
- Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。
本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。
本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-10-15T06:28:21Z) - Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。
本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。
我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文 参考訳（メタデータ） (2024-04-05T17:58:37Z) - Fully Spiking Actor Network with Intra-layer Connections for
Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。
既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。
浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文 参考訳（メタデータ） (2024-01-09T07:31:34Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - POLAR-Express: Efficient and Precise Formal Reachability Analysis of
Neural-Network Controlled Systems [18.369115196505657]
ニューラルネットワーク制御システム(NNCS)の安全性を検証するための,効率的かつ正確な形式的到達性解析ツールであるPOLAR-Expressを提案する。
POLAR-ExpressはTaylorモデル演算を用いて、ニューラルネットワーク層間でTaylorモデルを伝搬し、ニューラルネットワーク関数の過剰近似を計算する。
また, ReLU 活性化関数に対して, TM をより効率的に正確に伝播するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-31T06:51:36Z) - Pontryagin Optimal Control via Neural Networks [19.546571122359534]
我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。
結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。
モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
論文 参考訳（メタデータ） (2022-12-30T06:47:03Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳（メタデータ） (2022-11-29T13:32:38Z) - Near-optimal control of dynamical systems with neural ordinary
differential equations [0.0]
ディープラーニングとニューラルネットワークに基づく最適化の最近の進歩は、高次元力学系を含む制御問題を解くのに役立つ方法の開発に寄与している。
まず、時間を通して切り詰められた非切り抜きのバックプロパゲーションが、実行時のパフォーマンスとニューラルネットワークが最適な制御関数を学習する能力にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2022-06-22T14:11:11Z) - Distributed neural network control with dependability guarantees: a
compositional port-Hamiltonian approach [0.0]
大規模なサイバー物理システムは、制御ポリシーが分散されていること、すなわち、ローカルなリアルタイム測定と近隣エージェントとの通信にのみ依存することを要求する。
最近の研究でニューラルネットワーク(NN)分散コントローラのトレーニングが提案されている。
NNコントローラの主な課題は、トレーニング中と後、すなわちクローズドループシステムは不安定であり、勾配の消失と爆発によってトレーニングが失敗する可能性があることである。
論文 参考訳（メタデータ） (2021-12-16T17:37:11Z) - Generating Probabilistic Safety Guarantees for Neural Network
Controllers [30.34898838361206]
ダイナミクスモデルを使用して、ニューラルネットワークコントローラが安全に動作するために保持する必要がある出力プロパティを決定します。
ニューラルネットワークポリシの近似を効率的に生成するための適応的検証手法を開発した。
本手法は,航空機衝突回避ニューラルネットワークの確率的安全性を保証することができることを示す。
論文 参考訳（メタデータ） (2021-03-01T18:48:21Z) - Decentralized Control with Graph Neural Networks [147.84766857793247]
分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。
GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。
分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
論文 参考訳（メタデータ） (2020-12-29T18:59:14Z)
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。