論文の概要: Brain-Inspired Reservoir Computing Using Memristors with Tunable Dynamics and Short-Term Plasticity

• arxiv url: http://arxiv.org/abs/2310.16331v1
• Date: Wed, 25 Oct 2023 03:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 16:58:04.843551
• Title: Brain-Inspired Reservoir Computing Using Memristors with Tunable Dynamics and Short-Term Plasticity
• Title（参考訳）: 可変ダイナミクスと短期塑性を有するメムリスタを用いた脳誘発貯留層計算
• Authors: Nicholas X. Armendarez, Ahmed S. Mohamed, Anurag Dhungel, Md Razuan Hossain, Md Sakib Hasan, Joseph S. Najem
• Abstract要約: 本研究では,少数の異なるメムリスタで構築された貯水層が,単一のデータ符号化による予測精度と分類精度を著しく向上することを示す。 神経活動分類タスクでは、わずか3つの異なるメムリスタの貯水池が96.5%の精度を実験的に達成した。
• 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: Recent advancements in reservoir computing research have created a demand for analog devices with dynamics that can facilitate the physical implementation of reservoirs, promising faster information processing while consuming less energy and occupying a smaller area footprint. Studies have demonstrated that dynamic memristors, with nonlinear and short-term memory dynamics, are excellent candidates as information-processing devices or reservoirs for temporal classification and prediction tasks. Previous implementations relied on nominally identical memristors that applied the same nonlinear transformation to the input data, which is not enough to achieve a rich state space. To address this limitation, researchers either diversified the data encoding across multiple memristors or harnessed the stochastic device-to-device variability among the memristors. However, this approach requires additional pre-processing steps and leads to synchronization issues. Instead, it is preferable to encode the data once and pass it through a reservoir layer consisting of memristors with distinct dynamics. Here, we demonstrate that ion-channel-based memristors with voltage-dependent dynamics can be controllably and predictively tuned through voltage or adjustment of the ion channel concentration to exhibit diverse dynamic properties. We show, through experiments and simulations, that reservoir layers constructed with a small number of distinct memristors exhibit significantly higher predictive and classification accuracies with a single data encoding. We found that for a second-order nonlinear dynamical system prediction task, the varied memristor reservoir experimentally achieved a normalized mean square error of 0.0015 using only five distinct memristors. Moreover, in a neural activity classification task, a reservoir of just three distinct memristors experimentally attained an accuracy of 96.5%.
• Abstract（参考訳）: 近年の貯水池コンピューティング研究の進歩は、貯水池の物理的実装を容易にし、より少ないエネルギーを消費しながらより高速な情報処理を約束し、より小さな面積の面積を占めるアナログデバイスへの需要を生み出した。 非線形および短期記憶のダイナミクスを持つ動的memristorは、時間的分類および予測タスクのための情報処理デバイスまたは貯水池として優れた候補である。 従来の実装では、入力データに同じ非線形変換を適用した、名目上同一の memristor に依存していたため、リッチな状態空間を実現するには不十分であった。 この制限に対処するため、研究者は複数の memristor にまたがるデータを多様化するか、あるいは memristor 間の確率的デバイス間変動を利用した。 しかし、このアプローチは追加の事前処理ステップを必要とし、同期の問題を引き起こす。 代わりに、データを一度エンコードして、異なるダイナミクスを持つメムリスタからなる貯水層に渡すことが好ましい。 本稿では,電圧依存ダイナミクスを持つイオンチャネル型memristorを,電圧やイオンチャネル濃度の調整によって制御および予測的に調整し,多様な動的特性を示すことを実証する。 実験とシミュレーションにより,少数の異なるメムリスタで構築された貯水層は,単一のデータ符号化による予測精度と分類精度が著しく高いことを示す。 その結果, 2次非線形力学系予測タスクにおいて, 5つのメムリスタのみを用いた平均2乗誤差0.0015を実験的に達成した。 さらに、神経活動分類タスクでは、3つの異なるメムリスタの貯水池が96.5%の精度を実験的に達成した。

関連論文リスト

• Neural Operator-Based Proxy for Reservoir Simulations Considering Varying Well Settings, Locations, and Permeability Fields [0.0]
  従来の貯水池シミュレータよりも優れた1つのフーリエニューラル演算子(FNO)サロゲートを提案する。 圧力と飽和予測の95%の最大平均相対誤差は5%未満である。 このモデルは、履歴マッチングと貯水池キャラクタリゼーションの手順を、数桁のオーダーで高速化することができる。
  論文  参考訳（メタデータ） (2024-07-13T00:26:14Z)
• Intrinsic Voltage Offsets in Memcapacitive Bio-Membranes Enable High-Performance Physical Reservoir Computing [0.0]
  貯留層コンピューティング(Reservoir computing)は、入力を高次元空間にマッピングすることで、時間データを処理するための脳にインスパイアされた機械学習フレームワークである。 本稿では、内部電圧オフセットを利用して、単調および非単調の入力状態相関を可能にする新しい膜キャパシタベースのPRCを提案する。 当社のアプローチと前例のないパフォーマンスは,高パフォーマンスフルテマリアPRCに向けた大きなマイルストーンです。
  論文  参考訳（メタデータ） (2024-04-27T05:47:38Z)
• Biomembrane-based Memcapacitive Reservoir Computing System for Energy Efficient Temporal Data Processing [0.0]
  貯留層コンピューティングは、時間データを処理するための非常に効率的な機械学習フレームワークである。 ここでは, 揮発性生体膜を用いた膜キャパシタを用いて, 短期シナプス可塑性機能を貯水池として密に再現する。 本システムは,2次非線形回帰タスクにおいて,音声桁分類の精度99.6%,正規化平均2乗誤差7.81*10-4を達成する。
  論文  参考訳（メタデータ） (2023-05-19T22:36:20Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• The Lazy Neuron Phenomenon: On Emergence of Activation Sparsity in Transformers [59.87030906486969]
  本稿では,Transformer アーキテクチャを用いた機械学習モデルにおいて,アクティベーションマップが疎いという興味深い現象について考察する。 本稿では, 自然言語処理と視覚処理の両方において, スパーシリティが顕著な現象であることを示す。 本稿では,変換器のFLOP数を大幅に削減し,効率を向上する手法について論じる。
  論文  参考訳（メタデータ） (2022-10-12T15:25:19Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Task Agnostic Metrics for Reservoir Computing [0.0]
  物理貯水池計算は、物理物質における時間的パターン認識を可能にする計算パラダイムである。 選択された力学系は、非線形性、複雑性、暗くなるメモリの3つの望ましい特性を持つ必要がある。 一般に, 減衰率の低いシステムは, 3つの評価指標すべてにおいて高い値に達することが示されている。
  論文  参考訳（メタデータ） (2021-08-03T13:58:11Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• Combining data assimilation and machine learning to emulate a dynamical model from sparse and noisy observations: a case study with the Lorenz 96 model [0.0]
  この方法は、アンサンブルカルマンフィルタとニューラルネットワークを反復的にデータ同化ステップで適用することで構成される。 データ同化は、代理モデルとスパースデータとを最適に組み合わせるために用いられる。 出力分析は空間的に完全であり、サロゲートモデルを更新するためのニューラルネットワークによるトレーニングセットとして使用される。 カオス的な40変数Lorenz 96モデルを用いて数値実験を行い、提案手法の収束と統計的スキルの両立を証明した。
  論文  参考訳（メタデータ） (2020-01-06T12:26:52Z)

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。