論文の概要: Practical design and performance of physical reservoir computing using hysteresis

• arxiv url: http://arxiv.org/abs/2507.06063v1
• Date: Tue, 08 Jul 2025 15:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.244579
• Title: Practical design and performance of physical reservoir computing using hysteresis
• Title（参考訳）: ヒステリシスを用いた物理貯水池計算の実用設計と性能評価
• Authors: Yuhei Yamada,
• Abstract要約: 物理貯水池コンピューティングは、物理現象を計算資源として利用する革新的なアイデアである。 本研究では,物理貯水池計算の実用化に適したモデルとして,独立したヒステリックシステムからなる貯水池に着目した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical reservoir computing is an innovative idea for using physical phenomena as computational resources. Recent research has revealed that information processing techniques can improve the performance, but for practical applications, it is equally important to study the level of performance with a simple design that is easy to construct experimentally. We focus on a reservoir composed of independent hysteretic systems as a model suitable for the practical implementation of physical reservoir computing. In this paper, we discuss the appropriate design of this reservoir, its performance, and its limitations. This research will serve as a practical guideline for constructing hysteresis-based reservoirs.
• Abstract（参考訳）: 物理貯水池コンピューティングは、物理現象を計算資源として利用する革新的なアイデアである。 近年,情報処理技術によって性能が向上することが報告されているが,実用的応用においては,簡易な設計で実験的に構築が容易な性能のレベルを研究することが重要である。 本研究では,物理貯水池計算の実用化に適したモデルとして,独立したヒステリックシステムからなる貯水池に着目した。 本稿では, この貯水池の適切な設計, 性能, 限界について論じる。 この研究はヒステリシスを基盤とした貯水池構築のための実践的ガイドラインとして機能する。

関連論文リスト

• Reservoir Computing with Generalized Readout based on Generalized Synchronization [0.0]
  貯留層コンピューティング(Reservoir computing)は、非線形力学を利用する機械学習フレームワークである。 本稿では,貯水池変数の非線形結合を含む一般化された読み出しを伴う新しい貯水池計算フレームワークを提案する。 数値実験により, 一般化された読み出しの導入は, 精度の大幅な向上と, 頑健さの予期せぬ向上につながることがわかった。
  論文  参考訳（メタデータ） (2024-05-03T10:03:59Z)
• Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
  音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。 深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。 フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
  論文  参考訳（メタデータ） (2023-12-11T17:43:58Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Limits to Analog Reservoir Learning [0.0]
  アナログ貯水池コンピュータの学習能力に及ぼす雑音の影響について検討する。 情報処理能力(IPC)はノイズによる性能劣化の定量化に有用な指標であることを示す。 ノイズに晒された物理的アナログ貯水池コンピュータは、学習量の増加にのみ利用できると結論付けている。
  論文  参考訳（メタデータ） (2023-07-26T19:41:05Z)
• 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)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)

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。