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 Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。 その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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)
• 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)
• 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。