論文の概要: Learning Chaotic Dynamics with Neuromorphic Network Dynamics

• arxiv url: http://arxiv.org/abs/2506.10773v1
• Date: Thu, 12 Jun 2025 14:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.793987
• Title: Learning Chaotic Dynamics with Neuromorphic Network Dynamics
• Title（参考訳）: ニューロモルフィックネットワークダイナミクスを用いたカオスダイナミクスの学習
• Authors: Yinhao Xu, Georg A. Gottwald, Zdenka Kuncic,
• Abstract要約: 本研究では,力学系であるニューロモルフィックネットワークを用いて動的システムを学習し,モデル化する方法について検討する。 本研究で使用されるニューロモルフィック・ネットワークは,入力された電気信号に対するニューロシナプス非線形応答を生じさせる旋律素子からなる複雑な電気回路に基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study investigates how dynamical systems may be learned and modelled with a neuromorphic network which is itself a dynamical system. The neuromorphic network used in this study is based on a complex electrical circuit comprised of memristive elements that produce neuro-synaptic nonlinear responses to input electrical signals. To determine how computation may be performed using the physics of the underlying system, the neuromorphic network was simulated and evaluated on autonomous prediction of a multivariate chaotic time series, implemented with a reservoir computing framework. Through manipulating only input electrodes and voltages, optimal nonlinear dynamical responses were found when input voltages maximise the number of memristive components whose internal dynamics explore the entire dynamical range of the memristor model. Increasing the network coverage with the input electrodes was found to suppress other nonlinear responses that are less conducive to learning. These results provide valuable insights into how a practical neuromorphic network device can be optimised for learning complex dynamical systems using only external control parameters.
• Abstract（参考訳）: 本研究では,力学系であるニューロモルフィックネットワークを用いて動的システムを学習し,モデル化する方法について検討する。 本研究で使用されるニューロモルフィック・ネットワークは,入力された電気信号に対するニューロシナプス非線形応答を生じさせる旋律素子からなる複雑な電気回路に基づいている。 基礎となるシステムの物理を用いて計算をどのように行うかを決定するため、ニューラルネットワークをシミュレーションし、貯水池計算フレームワークを用いて実装された多変量カオス時系列の自律予測に基づいて評価した。 入力電極と電圧のみを操作することにより、入力電圧が内部ダイナミクスがメムリスタモデル全体の力学範囲を探索するメムリスタ成分の数を最大化するときに、最適非線形応答が発見された。 入力電極によるネットワークカバレッジの増加は、学習に適さない他の非線形応答を抑制することが判明した。 これらの結果は、外部制御パラメータのみを用いて複雑な力学系を学習するために、実用的なニューロモルフィックネットワークデバイスをどのように最適化できるかについての貴重な洞察を提供する。

関連論文リスト

• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data [0.27624021966289597]
  グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。 本実験は, ネットワーク力学の精度向上と簡易性を検証した。
  論文  参考訳（メタデータ） (2024-09-02T17:51:37Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
  微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。 最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。 従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-12T09:44:59Z)
• Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
  本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。 我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。 連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
  論文  参考訳（メタデータ） (2022-06-07T02:25:38Z)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Locally-symplectic neural networks for learning volume-preserving dynamics [0.0]
  音量保存力学を学習するための局所シンプレクティックニューラルネットワーク LocSympNets を提案する。 LocSympNets の構成は、体積保存力学系のベクトル場の局所ハミルトン記述の定理に由来する。
  論文  参考訳（メタデータ） (2021-09-19T15:58:09Z)
• 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。