論文の概要: Neuromorphic Quantum Neural Networks with Tunnel-Diode Activation Functions

• arxiv url: http://arxiv.org/abs/2503.04978v1
• Date: Thu, 06 Mar 2025 21:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:20:28.975497
• Title: Neuromorphic Quantum Neural Networks with Tunnel-Diode Activation Functions
• Title（参考訳）: トンネルダイオード活性化機能を有するニューロモルフィック量子ニューラルネットワーク
• Authors: Jake McNaughton, A. H. Abbas, Ivan S. Maksymov,
• Abstract要約: トンネルダイオードは量子トンネル(QT)の物理的効果を利用するよく知られた電子部品である ニューラルネットワークのための新しい物理に基づく活性化関数として,トンネルダイオードの電流特性を用いる。 トンネルダイオードアクティベーション関数(TDAF)は,訓練と評価の双方において,精度と損失の点で従来のアクティベーション関数よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The mathematical complexity and high dimensionality of neural networks hinder the training and deployment of machine learning (ML) systems while also requiring substantial computational resources. This fundamental limitation drives ML research, particularly in the exploration of alternative neural network architectures that integrate novel building blocks, such as advanced activation functions. Tunnel diodes are well-known electronic components that utilise the physical effect of quantum tunnelling (QT). Here, we propose using the current voltage characteristic of a tunnel diode as a novel, physics-based activation function for neural networks. We demonstrate that the tunnel-diode activation function (TDAF) outperforms traditional activation functions in terms of accuracy and loss during both training and evaluation. We also highlight its potential for implementation in electronic circuits suited to developing neuromorphic, quantum-inspired AI systems capable of operating in environments not suitable for qubit-based quantum computing hardware.
• Abstract（参考訳）: ニューラルネットワークの数学的複雑さと高次元性は、機械学習(ML)システムのトレーニングと展開を妨げると同時に、かなりの計算資源を必要とする。 この基本的な制限は、特に高度なアクティベーション関数のような新しいビルディングブロックを統合する代替ニューラルネットワークアーキテクチャの探索において、MLの研究を促進する。 トンネルダイオードは量子トンネル(QT)の物理的効果を利用する電子部品としてよく知られている。 本稿では, トンネルダイオードの電流特性を, ニューラルネットワークの物理に基づく新しいアクティベーション関数として利用することを提案する。 トンネルダイオードアクティベーション関数(TDAF)は,訓練と評価の双方において,精度と損失の点で従来のアクティベーション関数よりも優れていることを示す。 我々はまた、量子ビットベースの量子コンピューティングハードウェアに適さない環境で動作可能なニューロモルフィックな量子インスパイアされたAIシステムを開発するのに適した電子回路の実装の可能性を強調した。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Quantum-inspired activation functions and quantum Chebyshev-polynomial network [6.09437748873686]
  畳み込みニューラルネットワーク(CNN)に組み込まれた量子回路の機能的表現性について検討する。 我々は,量子活性化関数の特性に基づいて,ハイブリッド量子Chebyshev-polynomial Network (QCPN) を開発した。 この結果から,量子インスパイアされたアクティベーション関数は,高次学習能力を維持しながらモデル深度を低減できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-08T23:08:38Z)
• Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
  我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。 これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
  論文  参考訳（メタデータ） (2024-02-26T15:01:54Z)
• Realization of a quantum neural network using repeat-until-success circuits in a superconducting quantum processor [0.0]
  本稿では、リアルタイム制御-フローフィードバックによって実現されたリピート・アンティル・サクセス回路を用いて、非線形活性化機能を持つ量子ニューロンを実現する。 例えば、2ビットから1ビットのブール関数をすべて学習できる最小限のフィードフォワード量子ニューラルネットワークを構築する。 このモデルは非線形分類を行い、全ての入力の最大重ね合わせからなる単一のトレーニング状態の複数のコピーから効果的に学習する。
  論文  参考訳（メタデータ） (2022-12-21T03:26:32Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• Quantum activation functions for quantum neural networks [0.0]
  情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。 この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
  論文  参考訳（メタデータ） (2022-01-10T23:55:49Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)
• A superconducting nanowire spiking element for neural networks [0.0]
  大規模ニューラルネットワークの成功の鍵は、スケーラブルで、従来の制御エレクトロニクスと簡単に接続できる、電力効率のよいスパイク要素である。 10aJの順にパルスエネルギーを持つ超伝導ナノワイヤからなるスパイク素子を提案する。 本装置は、屈折周期や発射閾値などの生体ニューロンの本質的特性を再現することを示した。
  論文  参考訳（メタデータ） (2020-07-29T20:48:36Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)

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。