論文の概要: Neuromorphic spintronics simulated using an unconventional data-driven
Thiele equation approach
- arxiv url: http://arxiv.org/abs/2307.09262v1
- Date: Tue, 18 Jul 2023 13:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 14:34:47.906210
- Title: Neuromorphic spintronics simulated using an unconventional data-driven
Thiele equation approach
- Title(参考訳): 非従来型データ駆動チール方程式を用いたニューロモルフィックスピントロニクスのシミュレーション
- Authors: Anatole Moureaux, Simon de Wergifosse, Chlo\'e Chopin and Flavio Abreu
Araujo
- Abstract要約: 本研究では,スピントルクボルテックスナノオシレータ(STVO)の力学を,従来とは異なるモデルを用いて定量的に記述する。
我々のアプローチはSTVOベースのニューロモルフィックコンピューティングデバイスの設計を加速させることを約束している。
- 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: In this study, we developed a quantitative description of the dynamics of
spin-torque vortex nano-oscillators (STVOs) through an unconventional model
based on the combination of the Thiele equation approach (TEA) and data from
micromagnetic simulations (MMS). Solving the STVO dynamics with our analytical
model allows to accelerate the simulations by 9 orders of magnitude compared to
MMS while reaching the same level of accuracy. Here, we showcase our model by
simulating a STVO-based neural network for solving a classification task. We
assess its performance with respect to the input signal current intensity and
the level of noise that might affect such a system. Our approach is promising
for accelerating the design of STVO-based neuromorphic computing devices while
decreasing drastically its computational cost.
- Abstract(参考訳): 本研究では, スピントルク渦状ナノオシレータ(STVO)の力学を, テイル方程式法(TEA)とマイクロ磁気シミュレーション(MMS)のデータを組み合わせた非伝統的なモデルを用いて定量的に記述した。
stvoダイナミクスを解析モデルで解くことで、同じ精度に達しながら、9桁のシミュレーションをmmsと比較して加速することができる。
本稿では,STVOに基づくニューラルネットワークをシミュレートして,分類課題の解法を示す。
このようなシステムに影響を及ぼす可能性のある入力信号電流強度とノイズレベルについて,その性能を評価する。
提案手法は,STVOベースのニューロモルフィックコンピューティングデバイスの設計を高速化し,計算コストを大幅に削減するものである。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Spintronics for image recognition: performance benchmarking via
ultrafast data-driven simulations [4.2412715094420665]
単一スピントロニクスナノ構造を用いたエコー状態ネットワーク(ESN)による画像分類の実証を行った。
我々は、STVO力学をシミュレートするために、データ駆動型Thiele方程式アプローチと呼ばれる超高速なデータ駆動シミュレーションフレームワークを用いる。
我々は、MNIST、EMNIST-letters、Fashion MNISTデータセットで分類課題を解決するために、この手法をうまく適用することで、ソリューションの汎用性を示す。
論文 参考訳(メタデータ) (2023-08-10T18:09:44Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳(メタデータ) (2022-11-03T14:49:02Z) - Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics [0.0]
ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
論文 参考訳(メタデータ) (2022-10-25T16:50:26Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳(メタデータ) (2022-08-07T09:02:18Z) - Realization of the Trajectory Propagation in the MM-SQC Dynamics by
Using Machine Learning [4.629634111796585]
本研究では,教師付き機械学習(ML)アプローチを適用し,軌道に基づく非線形力学を実現する。
提案したアイデアは、いくつかのサイト・エクシトン電子-フォノンカップリングモデルの力学シミュレーションにおいて信頼性と正確性があることが証明されている。
論文 参考訳(メタデータ) (2022-07-11T01:23:36Z) - Automatic Evolution of Machine-Learning based Quantum Dynamics with
Uncertainty Analysis [4.629634111796585]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。
この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
論文 参考訳(メタデータ) (2022-05-07T08:53:55Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z)
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。