論文の概要: Reservoir Computing Generalized

• arxiv url: http://arxiv.org/abs/2412.12104v1
• Date: Sat, 23 Nov 2024 05:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-22 09:56:20.278568
• Title: Reservoir Computing Generalized
• Title（参考訳）: 貯留層コンピューティングの一般化
• Authors: Tomoyuki Kubota, Yusuke Imai, Sumito Tsunegi, Kohei Nakajima,
• Abstract要約: 物理ニューラルネットワーク(PNN)は、高速計算やエネルギー効率などの機械学習タスクや物理特性を解く強力な可能性を持っている。 貯留層計算(Reservoir Computing, RC)は, 動的システムを用いた情報処理システムを実現するための優れたフレームワークである。 本稿では,この要求を頭に向けることで,貯水池計算(GRC)と呼ばれる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A physical neural network (PNN) has both the strong potential to solve machine learning tasks and intrinsic physical properties, such as high-speed computation and energy efficiency. Reservoir computing (RC) is an excellent framework for implementing an information processing system with a dynamical system by attaching a trained readout, thus accelerating the wide use of unconventional materials for a PNN. However, RC requires the dynamics to reproducibly respond to input sequence, which limits the type of substance available for building information processors. Here we propose a novel framework called generalized reservoir computing (GRC) by turning this requirement on its head, making conventional RC a special case. Using substances that do not respond the same to identical inputs (e.g., a real spin-torque oscillator), we propose mechanisms aimed at obtaining a reliable output and show that processed inputs in the unconventional substance are retrievable. Finally, we demonstrate that, based on our framework, spatiotemporal chaos, which is thought to be unusable as a computational resource, can be used to emulate complex nonlinear dynamics, including large scale spatiotemporal chaos. Overall, our framework removes the limitation to building an information processing device and opens a path to constructing a computational system using a wider variety of physical dynamics.
• Abstract（参考訳）: 物理ニューラルネットワーク(PNN)は、機械学習タスクと、高速計算やエネルギー効率といった本質的な物理特性を解く強力な可能性を持っている。 貯留層計算(Reservoir Computing, RC)は, トレーニング済みのリードアウトを付加することにより, 動的システムによる情報処理システムを実装するための優れたフレームワークである。 しかし、RCは、情報プロセッサを構築するために利用可能な物質の種類を制限する入力シーケンスに再現的に応答するダイナミクスを必要とする。 本稿では,一般貯水池計算(GRC)と呼ばれる新しいフレームワークを提案する。 同一の入力に応答しない物質(例えば、実スピントルク発振器)を用いて、信頼性の高い出力を得るためのメカニズムを提案し、非伝統的な物質における処理された入力が検索可能であることを示す。 最後に、我々の枠組みに基づき、大規模時空間カオスを含む複雑な非線形力学をエミュレートするために、計算資源として使用できないと考えられる時空間カオスが利用できることを示した。 全体として,情報処理装置構築の限界を排除し,より多様な物理力学を用いた計算システム構築の道を開く。

関連論文リスト

• Hardware-Friendly Implementation of Physical Reservoir Computing with CMOS-based Time-domain Analog Spiking Neurons [0.26963330643873434]
  本稿では, 相補的金属酸化物半導体(CMOS)プラットフォーム上でのハードウェアフレンドリーな物理貯水池計算のためのスパイクニューラルネットワーク(SNN)を提案する。 短期記憶と排他的ORタスクによるRCと、97.7%の精度で音声桁認識タスクを実演する。
  論文  参考訳（メタデータ） (2024-09-18T00:23:00Z)
• Reservoir Computing Using Measurement-Controlled Quantum Dynamics [0.0]
  共振器内のプローブ原子の力学を利用する量子RCシステムを提案する。 提案した量子貯水池は、少数の人工ニューロンを用いて高速で信頼性の高い予測を行うことができる。
  論文  参考訳（メタデータ） (2024-03-01T22:59:41Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Physical Reservoir Computing Enabled by Solitary Waves and Biologically-Inspired Nonlinear Transformation of Input Data [0.0]
  Reservoir Computing (RC) システムはランダム接続を持つ人工ニューラルネットワークの非線形力学特性を用いてカオス時系列を効率的に予測することができる。 本稿では,生体内脳内の非線形過程に着想を得て,入力データの非線形変換にランダム性の影響を代用する物理RCシステムについて実験的に検証する。
  論文  参考訳（メタデータ） (2024-01-03T06:22:36Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Machine learning at the mesoscale: a computation-dissipation bottleneck [77.34726150561087]
  入力出力デバイスとして使用されるメソスコピックシステムにおける計算散逸ボトルネックについて検討する。 我々のフレームワークは、情報圧縮、入出力計算、非相互相互作用によって引き起こされる動的不可逆性の間の決定的な妥協に光を当てている。
  論文  参考訳（メタデータ） (2023-07-05T15:46:07Z)
• Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
  本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。 このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。 これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-05-03T15:54:23Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Information Processing Capacity of Spin-Based Quantum Reservoir Computing Systems [0.0]
  イジングスピンネットワークを用いた量子貯水池計算(QRC)は古典的な貯水池計算の量子バージョンとして導入された。 我々は、情報処理能力(IPC)を用いたスピンベースQRCモデルの性能を特徴付ける。 この研究は、貯水池計算のためのスピンの量子ネットワークの計算能力を明確に示している。
  論文  参考訳（メタデータ） (2020-10-13T13:26:34Z)
• Higher-Order Quantum Reservoir Computing [0.0]
  本稿では,線形フィードバックなどの古典的接続を介して相互に通信する,複数だが小さな量子システムからなるハイブリッド量子古典的フレームワークを提案する。 大規模非線形力学系をエミュレートする際のフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-06-16T08:54:04Z)
• Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
  我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
  論文  参考訳（メタデータ） (2020-02-10T23:21:50Z)

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。