論文の概要: Mixed Delay/Nondelay Embeddings Based Neuromorphic Computing with Patterned Nanomagnet Arrays

• arxiv url: http://arxiv.org/abs/2412.04622v1
• Date: Thu, 05 Dec 2024 21:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:55:13.186852
• Title: Mixed Delay/Nondelay Embeddings Based Neuromorphic Computing with Patterned Nanomagnet Arrays
• Title（参考訳）: パターンナノマグネットアレイを用いた混合遅延/非遅延埋め込み型ニューロモルフィックコンピューティング
• Authors: Changpeng Ti, Usman Hassan, Sairam Sri Vatsavai, Margaret McCarter, Aastha Vasdev, Jincheng An, Barat Achinuq, Ulrich Welp, Sen-Ching Cheung, Ishan G Thakkar, J. Todd Hastings,
• Abstract要約: 混合遅延/非遅延埋め込み型PNA貯水池システムを提案する。 本システムでは, 単一のPNA貯水池ノードを用いて, 単一のPNA貯水池ノードの入力に印加された時系列データの動的情報の遅延/非遅延埋め込みを混合する。
• 参考スコア（独自算出の注目度）: 0.04091406230302995
• License:
• Abstract: Patterned nanomagnet arrays (PNAs) have been shown to exhibit a strong geometrically frustrated dipole interaction. Some PNAs have also shown emergent domain wall dynamics. Previous works have demonstrated methods to physically probe these magnetization dynamics of PNAs to realize neuromorphic reservoir systems that exhibit chaotic dynamical behavior and high-dimensional nonlinearity. These PNA reservoir systems from prior works leverage echo state properties and linear/nonlinear short-term memory of component reservoir nodes to map and preserve the dynamical information of the input time-series data into nondelay spatial embeddings. Such mappings enable these PNA reservoir systems to imitate and predict/forecast the input time series data. However, these prior PNA reservoir systems are based solely on the nondelay spatial embeddings obtained at component reservoir nodes. As a result, they require a massive number of component reservoir nodes, or a very large spatial embedding (i.e., high-dimensional spatial embedding) per reservoir node, or both, to achieve acceptable imitation and prediction accuracy. These requirements reduce the practical feasibility of such PNA reservoir systems. To address this shortcoming, we present a mixed delay/nondelay embeddings-based PNA reservoir system. Our system uses a single PNA reservoir node with the ability to obtain a mixture of delay/nondelay embeddings of the dynamical information of the time-series data applied at the input of a single PNA reservoir node. Our analysis shows that when these mixed delay/nondelay embeddings are used to train a perceptron at the output layer, our reservoir system outperforms existing PNA-based reservoir systems for the imitation of NARMA 2, NARMA 5, NARMA 7, and NARMA 10 time series data, and for the short-term and long-term prediction of the Mackey Glass time series data.
• Abstract（参考訳）: パターン状ナノマグネットアレイ(PNA)は、幾何学的にフラストレーションの強い双極子相互作用を示すことが示されている。 いくつかのPNAは、創発的なドメインウォールダイナミクスも示している。 これまでの研究では、これらのPNAの磁化ダイナミクスを物理的に探索し、カオス力学挙動と高次元非線形性を示すニューロモルフィック貯水池システムを実現する方法が実証されている。 これらのPNA貯水池システムは、成分貯水池ノードのエコー状態特性と線形・非線形短期記憶を利用して、入力時系列データの動的情報を非遅延空間埋め込みにマップし保存する。 このようなマッピングにより、これらのPNA貯水池システムは入力時系列データを模倣して予測・予測することができる。 しかしながら、これらの以前のPNA貯水池システムは、コンポーネント貯水池ノードで得られた非遅延空間埋め込みのみに基づいている。 結果として、許容可能な模倣と予測精度を達成するために、大量のコンポーネント貯水池ノード、あるいは非常に大きな空間埋め込み(すなわち、高次元空間埋め込み)を必要とする。 これらの要求は、これらのPNA貯水池システムの実現可能性を減らす。 この欠点に対処するため, 混合遅延/非遅延埋め込み型PNA貯水池システムを提案する。 本システムでは, 単一のPNA貯水池ノードを用いて, 単一のPNA貯水池ノードの入力に印加された時系列データの動的情報の遅延/非遅延埋め込みを混合する。 これらの混合遅延/非遅延埋め込みが出力層でのパーセプトロンのトレーニングに使用される場合、我々の貯水池システムは、NARMA, NARMA, NARMA 7, NARMA 10時系列データ、およびMackey Glass時系列データの短期・長期予測において、既存のPNAベースの貯水池システムより優れていることを示す。

関連論文リスト

• On the Dimension of Pullback Attractors in Recurrent Neural Networks [0.0]
  近年、力学系の観測に基づいて訓練された貯水池コンピュータは埋め込みとして解釈できると推測されている。 本研究では、非正則力学系を用いて、トレーニングおよび予測フェーズ中に近似された貯水池状態空間の部分集合のフラクタル次元の上限を確立する。
  論文  参考訳（メタデータ） (2025-01-20T09:38:30Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• Feature-Based Echo-State Networks: A Step Towards Interpretability and Minimalism in Reservoir Computer [0.0]
  本稿では,時系列予測のためのエコー状態ネットワーク(ESN)パラダイムを用いた,新しい,解釈可能なリカレントニューラルネットワーク構造を提案する。 系統的な貯水池アーキテクチャは、特徴として知られる異なる入力の組み合わせによって駆動される小さな並列貯水池を用いて開発されている。 結果として、Feat-ESN(Feat-ESN)は、従来の単一貯留層ESNよりも低いリザーブノードを持つ。
  論文  参考訳（メタデータ） (2024-03-28T19:41:17Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Continuous PDE Dynamics Forecasting with Implicit Neural Representations [24.460010868042758]
  空間連続関数の連続時間ダイナミクスを用いたPDE流れに対する新しいデータ駆動型アプローチを提案する。 これは、Implicit Neural Representationsによる離散化とは無関係に空間外挿を埋め込むことによって達成される。 任意の空間的および時間的位置で外挿し、テスト時にスパースグリッドや不規則なデータを学習し、新しいグリッドや解像度に一般化する。
  論文  参考訳（メタデータ） (2022-09-29T15:17:50Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Latent Space Subdivision: Stable and Controllable Time Predictions for Fluid Flow [27.389985699087017]
  本稿では,流体の複雑な力学を頑健に予測するために,エンドツーエンドのニューラルネットワークアーキテクチャを提案する。 本研究では,非圧縮性Navier-Stokes(NS)方程式に基づく2次元および3次元の単相煙シミュレーションに着目する。
  論文  参考訳（メタデータ） (2020-03-12T12:38:52Z)

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。