論文の概要: Training Coupled Phase Oscillators as a Neuromorphic Platform using Equilibrium Propagation

• arxiv url: http://arxiv.org/abs/2402.08579v1
• Date: Tue, 13 Feb 2024 16:31:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 14:54:53.216468
• Title: Training Coupled Phase Oscillators as a Neuromorphic Platform using Equilibrium Propagation
• Title（参考訳）: 平衡伝播を用いたニューロモルフィックプラットフォームとしての複合位相発振器の訓練
• Authors: Qingshan Wang, Clara C. Wanjura, Florian Marquardt
• Abstract要約: 結合位相発振器の系をうまく訓練することは可能であることを示す。 XY/倉本模型の複雑なエネルギー環境は、乗算可能性をもたらし、この課題にどう対処するかを示す。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the rapidly growing scale and resource requirements of machine learning applications, the idea of building more efficient learning machines much closer to the laws of physics is an attractive proposition. One central question for identifying promising candidates for such neuromorphic platforms is whether not only inference but also training can exploit the physical dynamics. In this work, we show that it is possible to successfully train a system of coupled phase oscillators - one of the most widely investigated nonlinear dynamical systems with a multitude of physical implementations, comprising laser arrays, coupled mechanical limit cycles, superfluids, and exciton-polaritons. To this end, we apply the approach of equilibrium propagation, which permits to extract training gradients via a physical realization of backpropagation, based only on local interactions. The complex energy landscape of the XY/ Kuramoto model leads to multistability, and we show how to address this challenge. Our study identifies coupled phase oscillators as a new general-purpose neuromorphic platform and opens the door towards future experimental implementations.
• Abstract（参考訳）: 機械学習アプリケーションの急速に拡大するスケールとリソース要件を考えると、より効率的な学習マシンを物理学の法則にもっと近い場所に構築するというアイデアは魅力的な提案である。 このようなニューロモルフィックなプラットフォームに対する有望な候補を特定するための中心的な問題は、推論だけでなく、トレーニングも物理力学を活用できるかどうかである。 本研究では,レーザーアレイ,結合メカニカルリミットサイクル,スーパー流体,エキシトン・ポーラリトンなどを含む多数の物理的実装を持つ,最も広く研究されている非線形力学系の1つである結合相発振器をうまく訓練できることを示す。 この目的のために,局所的な相互作用のみに基づいて,バックプロパゲーションの物理的実現を通じてトレーニング勾配を抽出することを可能にする平衡伝播のアプローチを適用する。 xy/kuramotoモデルの複雑なエネルギーのランドスケープは、マルチスタビリティにつながり、この課題に対処する方法を示します。 本研究では,結合相発振器を新しい汎用ニューロモルフィックプラットフォームとして同定し,今後の実験的実装への扉を開く。

関連論文リスト

• On-demand transposition across light-matter interaction regimes in bosonic cQED [69.65384453064829]
  ボソニックcQEDは、非線形回路素子に結合した高温超伝導キャビティの光電場を用いる。 空洞コヒーレンスを劣化させることなく, 相互作用系を高速に切り替える実験を行った。 我々の研究は、単一のプラットフォーム内での光-物質相互作用のフル範囲を探索する新しいパラダイムを開く。
  論文  参考訳（メタデータ） (2023-12-22T13:01:32Z)
• Far from equilibrium field theory for strongly coupled light and matter: dynamics of frustrated multi-mode cavity QED [0.0]
  我々は, 相互作用する光物質系の非平衡ダイナミクスを得るために, 関数積分法を適用した。 提案手法は, 「二粒子既約」 (2PI) の有効作用の構築に基礎を置いている。 我々は, フラストレーション型多モード量子電磁力学の文脈におけるスピンガラス生成の解析を補完するために, 本手法を適用した。
  論文  参考訳（メタデータ） (2023-12-18T19:00:01Z)
• Efficient quantum simulation of nonlinear interactions using SNAP and Rabi gates [0.7366405857677227]
  非線形ボソニック力学を効率的にモデル化する決定論的シミュレーション手法を提案する。 提案手法は,高次ボゾン相互作用から生じる現象の高忠実度モデリングを容易にする。
  論文  参考訳（メタデータ） (2023-12-15T16:44:43Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
  我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。 本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
  論文  参考訳（メタデータ） (2023-05-16T19:12:41Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Machine learning for excitation energy transfer dynamics [0.0]
  我々は、生物状態におけるオープン量子力学をシミュレートするために、階層的な運動方程式(HEOM)を用いる。 我々は、光収穫錯体を通した電子励起のコヒーレントな伝播を表現した、時間依存オブザーバブルの集合を生成する。 我々は、この研究課題に対処する畳み込みニューラルネットワークの能力を実証する。
  論文  参考訳（メタデータ） (2021-12-22T14:11:30Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• Spin many-body phases in standard and topological waveguide QED simulators [68.8204255655161]
  導波路QEDセットアップを用いた量子スピンモデルの多体挙動について検討する。 他のプラットフォームで得られたものとは異なる、新しい多体フェーズが見つかる。
  論文  参考訳（メタデータ） (2021-06-22T09:44:20Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)

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。