論文の概要: A Method for Optimizing Connections in Differentiable Logic Gate Networks

• arxiv url: http://arxiv.org/abs/2507.06173v1
• Date: Tue, 08 Jul 2025 16:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.355676
• Title: A Method for Optimizing Connections in Differentiable Logic Gate Networks
• Title（参考訳）: 微分論理ゲートネットワークにおける接続最適化の一手法
• Authors: Wout Mommen, Lars Keuninckx, Matthias Hartmann, Piet Wambacq,
• Abstract要約: 深い微分可能論理ゲートネットワーク(LGN)における接続部分最適化手法を提案する。 学習方法は,ゲート入力毎の接続のサブセットに対する確率分布を利用して,最大値の接続を選択し,その後にゲートタイプを選択する。 接続最適化LGNは,Yin-Yang,MNIST,Fashion-MNISTベンチマークにおいて標準固定接続LGNよりも優れており,論理ゲートの数はごくわずかである。
• 参考スコア（独自算出の注目度）: 0.48212500317840945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel method for partial optimization of the connections in Deep Differentiable Logic Gate Networks (LGNs). Our training method utilizes a probability distribution over a subset of connections per gate input, selecting the connection with highest merit, after which the gate-types are selected. We show that the connection-optimized LGNs outperform standard fixed-connection LGNs on the Yin-Yang, MNIST and Fashion-MNIST benchmarks, while requiring only a fraction of the number of logic gates. When training all connections, we demonstrate that 8000 simple logic gates are sufficient to achieve over 98% on the MNIST data set. Additionally, we show that our network has 24 times fewer gates, while performing better on the MNIST data set compared to standard fully connected LGNs. As such, our work shows a pathway towards fully trainable Boolean logic.
• Abstract（参考訳）: 本稿では,LGN(Deep Differentiable Logic Gate Networks)における接続部分最適化手法を提案する。 学習方法は,ゲート入力毎の接続のサブセットに対する確率分布を利用して,最大値の接続を選択し,その後にゲートタイプを選択する。 接続最適化LGNは,Yin-Yang,MNIST,Fashion-MNISTベンチマークにおいて標準固定接続LGNよりも優れており,論理ゲートの数はごくわずかである。 すべての接続をトレーニングする際、8000個の単純な論理ゲートがMNISTデータセットの98%以上を達成するのに十分であることを示す。 さらに、我々のネットワークは、標準の完全連結LGNと比較して、MNISTデータセットにおいて、24倍のゲートを持つことを示した。 このように、我々の研究は、完全に訓練可能なブール論理への道筋を示している。

関連論文リスト

• SparseLUT: Sparse Connectivity Optimization for Lookup Table-based Deep Neural Networks [0.0]
  本稿では,LUTベースのディープニューラルネットワーク(DNN)に適した接続中心トレーニング技術であるSparseLUTを紹介する。 実験の結果、ベンチマーク全体で一貫した精度の改善が見られ、MNISTは最大2.13%向上した。 これはハードウェアのオーバーヘッドを伴わずに実現され、LUTベースのDNNの最先端の結果が得られる。
  論文  参考訳（メタデータ） (2025-03-17T05:21:54Z)
• Convolutional Differentiable Logic Gate Networks [68.74313756770123]
  本稿では,論理ゲートネットワークを微分緩和により直接学習する手法を提案する。 私たちはこのアイデアに基づいて、深い論理ゲートツリーの畳み込みと論理ORプーリングによってそれを拡張します。 CIFAR-10では、6100万の論理ゲートのみを使用して86.29%の精度を実現し、SOTAよりも29倍の精度で改善した。
  論文  参考訳（メタデータ） (2024-11-07T14:12:00Z)
• Efficient fault-tolerant code switching via one-way transversal CNOT gates [0.0]
  スイッチングゲートのみを用いることで、FT回路設計の制約を尊重するコードスキームを提案する。 我々は、既存の量子プロセッサの動作に適した低距離カラーコードへのスキームの適用を解析する。 論理的補助量子ビットが十分に確実に準備できることを前提として、このスキームを大規模な並列化でどのように実装できるかを論じる。
  論文  参考訳（メタデータ） (2024-09-20T12:54:47Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• COMET: Learning Cardinality Constrained Mixture of Experts with Trees and Local Search [10.003251119927222]
  Mixture-of-Experts (Sparse-MoE)フレームワークは、さまざまなドメインのモデルキャパシティを効率的にスケールアップする。 既存のスパースゲートは、一階最適化法で訓練する際、収束と性能の問題を生じやすい。 本稿では,新しい木構造に依存した新しいスパースゲートCOMETを提案する。
  論文  参考訳（メタデータ） (2023-06-05T12:21:42Z)
• Direct pulse-level compilation of arbitrary quantum logic gates on superconducting qutrits [36.30869856057226]
  任意のqubitおよびqutritゲートを高忠実度で実現でき、ゲート列の長さを大幅に削減できることを示す。 最適制御ゲートは少なくとも3時間ドリフトでき、同じ校正パラメータを全ての実装ゲートに利用できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T22:15:43Z)
• Deep Differentiable Logic Gate Networks [29.75063301688965]
  論理ゲートの組み合わせを学習することで,機械学習タスクのための論理ゲートネットワークを探索する。 本稿では,実数値論理と連続パラメータ化されたネットワーク緩和を併用した微分可能な論理ゲートネットワークを提案する。 その結果、離散化された論理ゲートネットワークは、単一のCPUコア上で毎秒100万イメージのMNISTを超える高速な推論速度を達成する。
  論文  参考訳（メタデータ） (2022-10-15T12:50:04Z)
• Robustness of a universal gate set implementation in transmon systems via Chopped Random Basis optimal control [50.591267188664666]
  CNOT, Hadamard, phase と $pi/8$ gates から構成される汎用2量子ゲートセットのトランスモン系システムに対する実装を数値解析的に検討する。 このようなゲートを実装するための制御信号は、目標ゲート不忠実度が10-2$のチョッペランダムバス最適制御技術を用いて得られる。
  論文  参考訳（メタデータ） (2022-07-27T10:55:15Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
  不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。 本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:00:01Z)

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。