論文の概要: Non-equilibrium physics: from spin glasses to machine and neural learning

• arxiv url: http://arxiv.org/abs/2308.01538v1
• Date: Thu, 3 Aug 2023 04:56:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 15:16:12.876799
• Title: Non-equilibrium physics: from spin glasses to machine and neural learning
• Title（参考訳）: 非平衡物理学:スピングラスから機械・ニューラルラーニングへ
• Authors: Weishun Zhong
• Abstract要約: 障害のある多体系は様々なスケールで幅広い創発現象を示す。 我々は、統計物理学を通して、乱れたシステムにおけるそのような突発的な知性を特徴付けることを目指している。 知的システムを設計するための指針となる学習メカニズムと物理力学の関係を明らかにする。
• 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: Disordered many-body systems exhibit a wide range of emergent phenomena across different scales. These complex behaviors can be utilized for various information processing tasks such as error correction, learning, and optimization. Despite the empirical success of utilizing these systems for intelligent tasks, the underlying principles that govern their emergent intelligent behaviors remain largely unknown. In this thesis, we aim to characterize such emergent intelligence in disordered systems through statistical physics. We chart a roadmap for our efforts in this thesis based on two axes: learning mechanisms (long-term memory vs. working memory) and learning dynamics (artificial vs. natural). Throughout our journey, we uncover relationships between learning mechanisms and physical dynamics that could serve as guiding principles for designing intelligent systems. We hope that our investigation into the emergent intelligence of seemingly disparate learning systems can expand our current understanding of intelligence beyond neural systems and uncover a wider range of computational substrates suitable for AI applications.
• Abstract（参考訳）: 乱れた多体系は、様々なスケールで様々な創発現象を示す。 これらの複雑な振る舞いは、誤り訂正、学習、最適化といった様々な情報処理タスクに利用できる。 これらのシステムを知的なタスクに活用するという実証的な成功にもかかわらず、その創発的な知的な行動を支配する根底にある原則はほとんど不明である。 本論では、統計物理学を通して、乱れたシステムにおけるそのような創発的な知性を特徴付けることを目的とする。 学習機構(長期記憶と作業記憶)と学習ダイナミクス(人工記憶と自然)の2つの軸に基づいて、この論文における取り組みのロードマップを図示します。 私たちの旅を通じて、インテリジェントなシステムを設計するための指針となる学習メカニズムと物理力学の関係を明らかにする。 一見異なる学習システムの突発的なインテリジェンスに関する調査が、ニューラルネットワークを超えて現在のインテリジェンスに対する理解を広げ、AIアプリケーションに適した幅広い計算基板を明らかにすることを期待しています。

関連論文リスト

• The Trap of Presumed Equivalence: Artificial General Intelligence Should Not Be Assessed on the Scale of Human Intelligence [0.0]
  知的システム理論における新しい知性を評価する従来のアプローチは、人間のような行動や行動の類似性、「模倣」に基づいている。 いくつかの自然な仮定の下では、インテリジェントなシステムを開発することは、独自の意図と目的を形成することができる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-10-14T13:39:58Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• 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)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• The least-control principle for learning at equilibrium [65.2998274413952]
  我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。 私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
  論文  参考訳（メタデータ） (2022-07-04T11:27:08Z)
• A Survey on Neural-symbolic Learning Systems [33.01131861279175]
  本研究の目的は,ニューラルシンボリック学習システムの進歩を4つの異なる視点から調査することである。 この研究は、研究者が包括的で総合的な概要を提供するために、この新たな分野を前進させることを目的としている。
  論文  参考訳（メタデータ） (2021-11-10T06:26:40Z)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)
• Machine learning and deep learning [0.0]
  機械学習は、問題固有のトレーニングデータから学習するシステムの能力を記述する。 ディープラーニングは、人工ニューラルネットワークに基づく機械学習の概念である。
  論文  参考訳（メタデータ） (2021-04-12T09:54:12Z)
• Hierarchical principles of embodied reinforcement learning: A review [11.613306236691427]
  すべての重要な認知メカニズムが独立した計算アーキテクチャで独立に実装されていることを示す。 我々は,より洗練された認知的インスパイアされた階層的手法の開発を導くことを期待する。
  論文  参考訳（メタデータ） (2020-12-18T10:19:38Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)

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。