論文の概要: Bayesian Reasoning Enabled by Spin-Orbit Torque Magnetic Tunnel Junctions
- arxiv url: http://arxiv.org/abs/2504.08257v1
- Date: Fri, 11 Apr 2025 05:02:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 14:18:10.277251
- Title: Bayesian Reasoning Enabled by Spin-Orbit Torque Magnetic Tunnel Junctions
- Title（参考訳）: スピン軌道トルク磁気トンネル接合によるベイズ共鳴
- Authors: Yingqian Xu, Xiaohan Li, Caihua Wan, Ran Zhang, Bin He, Shiqiang Liu, Jihao Xia, Dehao Kong, Shilong Xiong, Guoqiang Yu, Xiufeng Han,
- Abstract要約: 本稿では,スピン軌道型トルクトンネル接合(SOT-MTJ)のベイジアンネットワーク推論への応用を実証した概念実証実験について述べる。
ネットワークのパラメータは、単純なポイント・バイ・ポイントのトレーニングアルゴリズムによって最適にアプローチすることもできる。
SOT-MTJをランダム数生成器およびサンプリング器として用いた簡易診断システムを開発した。
- 参考スコア（独自算出の注目度）: 7.081096702778852
- License:
- Abstract: Bayesian networks play an increasingly important role in data mining, inference, and reasoning with the rapid development of artificial intelligence. In this paper, we present proof-of-concept experiments demonstrating the use of spin-orbit torque magnetic tunnel junctions (SOT-MTJs) in Bayesian network reasoning. Not only can the target probability distribution function (PDF) of a Bayesian network be precisely formulated by a conditional probability table as usual but also quantitatively parameterized by a probabilistic forward propagating neuron network. Moreover, the parameters of the network can also approach the optimum through a simple point-by point training algorithm, by leveraging which we do not need to memorize all historical data nor statistically summarize conditional probabilities behind them, significantly improving storage efficiency and economizing data pretreatment. Furthermore, we developed a simple medical diagnostic system using the SOT-MTJ as a random number generator and sampler, showcasing the application of SOT-MTJ-based Bayesian reasoning. This SOT-MTJ-based Bayesian reasoning shows great promise in the field of artificial probabilistic neural network, broadening the scope of spintronic device applications and providing an efficient and low-storage solution for complex reasoning tasks.
- Abstract（参考訳）: ベイジアンネットワークは、人工知能の急速な発展に伴うデータマイニング、推論、推論において、ますます重要な役割を担っている。
本稿では,スピン軌道トルク磁気トンネル接合(SOT-MTJ)のベイジアンネットワーク推論への応用を実証した概念実証実験について述べる。
ベイズネットワークの目標確率分布関数(PDF)は、通常のように条件付き確率表によって正確に定式化できるだけでなく、確率論的前方伝播ニューロンネットワークによって定量的にパラメータ化できる。
さらに、ネットワークのパラメータは、すべての履歴データを記憶したり、その背後にある条件付き確率を統計的に要約したりする必要がなく、記憶効率を大幅に改善し、データ前処理をエコノマイズすることで、単純なポイント・バイ・ポイント・トレーニングアルゴリズムによって最適にアプローチすることもできる。
さらに,SOT-MTJをランダム数生成器およびサンプリング器として用いた簡易な医療診断システムを開発し,SOT-MTJに基づくベイズ推論の応用を実証した。
このSOT-MTJベースのベイズ推論は、人工確率的ニューラルネットワークの分野で大きな可能性を示し、スピントロニックデバイスアプリケーションの範囲を広げ、複雑な推論タスクのための効率的で低ストレージのソリューションを提供する。
関連論文リスト
- On How Iterative Magnitude Pruning Discovers Local Receptive Fields in Fully Connected Neural Networks [92.66231524298554]
イテレーティブ・マグニチュード・プルーニング(IMP)は、高性能にトレーニングできるスパース・コンボリューションワークを抽出する一般的な方法となっている。
近年の研究では、IMPを完全連結ニューラルネットワーク(FCN)に適用することで、局所受容野(RF)の出現につながることが示されている。
非ガウス的統計量(例えばシャープエッジ)を用いた合成画像のトレーニングは、FCNにおける局所RFの出現を促進するのに十分であることを示す結果から着想を得て、IMPが非ガウス的統計量のFCN表現を反復的に増加させるという仮説を立てた。
論文 参考訳（メタデータ） (2024-12-09T14:56:23Z) - MEP-Net: Generating Solutions to Scientific Problems with Limited Knowledge by Maximum Entropy Principle [0.0]
本稿では,MEPとニューラルネットワークを組み合わせてモーメント制約から確率分布を生成する新しいニューラルネットワークアーキテクチャMEP-Netを提案する。
本稿では,MEP-Netが生化学反応ネットワークにおける確率分布の進化をモデル化し,データから複雑な分布を生成するのに特に有用であることを示す。
論文 参考訳（メタデータ） (2024-12-03T02:21:29Z) - Active Learning with Fully Bayesian Neural Networks for Discontinuous and Nonstationary Data [0.0]
我々は,「小さなデータ」体制下でのアクティブな学習タスクに対して,完全ベイズニューラルネットワーク(FBNN)を導入する。
FBNNは信頼性の高い予測分布を提供し、アクティブな学習環境における不確実性の下で情報的意思決定に不可欠である。
そこで我々は,FBNNの「小型データ」システムにおけるアクティブな学習課題に対するNo-U-Turn Samplerを用いて,FBNNの適合性と性能を評価する。
論文 参考訳（メタデータ） (2024-05-16T05:20:47Z) - Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-12-28T18:33:26Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Probabilistic Verification of ReLU Neural Networks via Characteristic
Functions [11.489187712465325]
我々は、周波数領域における確率理論のアイデアを用いて、ReLUニューラルネットワークの確率論的検証保証を提供する。
我々は、(深い)フィードフォワードニューラルネットワークを有限地平線上の離散力学系として解釈する。
出力集合の累積分布関数を求め,ネットワークが期待通りに動作しているかどうかを確認する。
論文 参考訳（メタデータ） (2022-12-03T05:53:57Z) - Efficient Bayes Inference in Neural Networks through Adaptive Importance
Sampling [19.518237361775533]
BNNでは、トレーニング段階で、未知の重みとバイアスパラメータの完全な後部分布が生成される。
この機能は、数え切れないほどの機械学習アプリケーションに役立ちます。
医療医療や自動運転など、意思決定に重大な影響を及ぼす分野において特に魅力的である。
論文 参考訳（メタデータ） (2022-10-03T14:59:23Z) - FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。
FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
論文 参考訳（メタデータ） (2021-06-24T15:38:34Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳（メタデータ） (2020-12-19T02:03:53Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z)
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。