論文の概要: Robustly optimal dynamics for active matter reservoir computing

• arxiv url: http://arxiv.org/abs/2505.05420v2
• Date: Mon, 26 May 2025 13:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 14:32:54.662691
• Title: Robustly optimal dynamics for active matter reservoir computing
• Title（参考訳）: 活性物質貯水池計算のためのロバスト最適ダイナミクス
• Authors: Mario U. Gaimann, Miriam Klopotek,
• Abstract要約: 貯水池計算のパラダイムにおいて, 活性物質の情報処理能力について検討し, カオス信号の将来状態を推定する。 我々はこれまで見過ごされてきたエージェント・ダイナミクスの並外れた体制を明らかにする。 多くの条件下での性能に対して堅牢に最適化されており、より一般的に物理システムによる計算に関する貴重な洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information processing abilities of active matter are studied in the reservoir computing (RC) paradigm to infer the future state of a chaotic signal. We uncover an exceptional regime of agent dynamics that has been overlooked previously. It appears robustly optimal for performance under many conditions, thus providing valuable insights into computation with physical systems more generally. The key to forming effective mechanisms for information processing appears in the system's intrinsic relaxation abilities. These are probed without actually enforcing a specific inference goal. The dynamical regime that achieves optimal computation is located just below a critical damping threshold, involving a relaxation with multiple stages, and is readable at the single-particle level. At the many-body level, it yields substrates robustly optimal for RC across varying physical parameters and inference tasks. A system in this regime exhibits a strong diversity of dynamic mechanisms under highly fluctuating driving forces. Correlations of agent dynamics can express a tight relationship between the responding system and the fluctuating forces driving it. As this model is interpretable in physical terms, it facilitates re-framing inquiries regarding learning and unconventional computing with a fresh rationale for many-body physics out of equilibrium.
• Abstract（参考訳）: 活性物質の情報処理能力は貯水池計算(RC)のパラダイムで研究され、カオス信号の将来状態を推測する。 我々はこれまで見過ごされてきたエージェント・ダイナミクスの並外れた体制を明らかにする。 多くの条件下での性能に対して堅牢に最適化されており、より一般的に物理システムによる計算に関する貴重な洞察を提供する。 情報処理の効果的なメカニズムを形成する鍵は、システム固有の緩和能力に現れる。 これらは、特定の推論目標を実際に強制することなく、調査される。 最適計算を行う力学系は、臨界減衰しきい値のすぐ下に位置し、複数の段階の緩和を伴い、単一粒子レベルで可読性を持つ。 多体レベルでは、様々な物理パラメータや推論タスクにまたがって、基板がRCに対して堅牢に最適である。 この状態のシステムは、高度に変動する駆動力の下での動的メカニズムの強い多様性を示す。 エージェントダイナミクスの相関は、応答系とそれを動かす揺動力との間の密接な関係を表現できる。 このモデルは物理用語で解釈可能であるため、学習と非伝統的な計算に関する再フレーミングの問い合わせを、平衡から多体物理学への新鮮な理論的根拠で促進する。

関連論文リスト

• Dynamics and Computational Principles of Echo State Networks: A Mathematical Perspective [13.135043580306224]
  貯留層計算(Reservoir Computing, RC)は、状態遷移機構(貯留層)と、状態空間からマップされるフレキシブルな読み出し層を特徴とする状態空間モデル(SSM)のクラスである。 本研究はRCの系統的な探索を行い, エコー状態特性, フェージングメモリ, 貯水池容量などの基礎的特性を動的システム理論のレンズを通して論じる。 入力信号と貯水池状態の相互作用を形式化し、貯水池の安定性と表現力を示す条件を示す。
  論文  参考訳（メタデータ） (2025-04-16T04:28:05Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• 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)
• Random Feature Models for Learning Interacting Dynamical Systems [2.563639452716634]
  エージェントの経路のノイズ観測から直接相互作用力のデータに基づく近似を構築することの問題点を考察する。 学習された相互作用カーネルは、長い時間間隔でエージェントの振る舞いを予測するために使用される。 さらに,カーネル評価コストを削減し,マルチエージェントシステムのシミュレーションコストを大幅に削減する。
  論文  参考訳（メタデータ） (2022-12-11T20:09:36Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Continual Learning of Dynamical Systems with Competitive Federated Reservoir Computing [29.98127520773633]
  継続的な学習は、以前の動的体制なしで急激なシステム変更に迅速に適応することを目的としている。 本研究は,連続学習に基づく貯水池計算へのアプローチを提案する。 このマルチヘッド貯水池は、複数の力学系における干渉や忘れを最小化する。
  論文  参考訳（メタデータ） (2022-06-27T14:35:50Z)
• Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
  オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。 我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
  論文  参考訳（メタデータ） (2022-05-05T05:44:26Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
  シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。 本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。 より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
  論文  参考訳（メタデータ） (2021-05-25T19:48:35Z)
• Multiscale Simulations of Complex Systems by Learning their Effective Dynamics [10.52078600986485]
  本稿では,大規模シミュレーションをブリッジし,注文モデルを削減し,実効ダイナミクスを学習するシステムフレームワークを提案する。 LEDは複雑なシステムの正確な予測に新しい強力なモダリティを提供する。 LEDは化学から流体力学に至るまでのシステムに適用でき、計算の労力を最大2桁まで削減できる。
  論文  参考訳（メタデータ） (2020-06-24T02:35:51Z)

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。