論文の概要: A Solvable Molecular Switch Model for Stable Temporal Information Processing

• arxiv url: http://arxiv.org/abs/2508.15451v1
• Date: Thu, 21 Aug 2025 11:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.291572
• Title: A Solvable Molecular Switch Model for Stable Temporal Information Processing
• Title（参考訳）: 安定時間情報処理のための可解な分子スイッチモデル
• Authors: H. I. Nurdin, C. A. Nijhuis,
• Abstract要約: リニア・イン・ザ・ステートと非線形・イン・イン・イン・イン・イン・インプットのモデルは正確に解決可能であり、収束とフェードメモリの数学的性質も持っている。 その結果、動的分子スイッチを深いカスケード/層状フィードフォワードおよびリカレントアーキテクチャの計算単位として使用するための理論的支援が得られた。 また、脳にインスパイアされた振る舞いを模倣し、入力信号に対して安定した計算を実行できる任意の物理デバイスをエミュレートできる、より一般的な正確な解決可能なモデルをインスパイアすることもできる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies an input-driven one-state differential equation model initially developed for an experimentally demonstrated dynamic molecular switch that switches like synapses in the brain do. The linear-in-the-state and nonlinear-in-the-input model is exactly solvable, and it is shown that it also possesses mathematical properties of convergence and fading memory that enable stable processing of time-varying inputs by nonlinear dynamical systems. Thus, the model exhibits the co-existence of biologically-inspired behavior and desirable mathematical properties for stable learning on sequential data. The results give theoretical support for the use of the dynamic molecular switches as computational units in deep cascaded/layered feedforward and recurrent architectures as well as other more general structures for neuromorphic computing. They could also inspire more general exactly solvable models that can be fitted to emulate arbitrary physical devices which can mimic brain-inspired behaviour and perform stable computation on input signals.
• Abstract（参考訳）: 本稿では,入力駆動型1状態微分方程式モデルを用いて,脳内のシナプスのようにスイッチする動的分子スイッチの実験を行った。 線形イン・ザ・ステートおよび非線形イン・イン・イン・イン・イン・イン・インプットモデルは正確に解けており、非線形力学系による時間変化入力の安定な処理を可能にする収束およびフェードメモリの数学的特性も有している。 このように、このモデルは、生物学的に着想を得た行動と、シーケンシャルデータに基づく安定した学習のための望ましい数学的特性の共存を示す。 この結果は、深いカスケード/層状フィードフォワードおよびリカレントアーキテクチャにおける計算単位としての動的分子スイッチの使用と、他のニューロモルフィックコンピューティングのより一般的な構造を理論的に支持する。 また、脳にインスパイアされた振る舞いを模倣し、入力信号に対して安定した計算を実行できる任意の物理デバイスをエミュレートできる、より一般的な正確な解決可能なモデルをインスパイアすることもできる。

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)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• MDDM: A Molecular Dynamics Diffusion Model to Predict Particle Self-Assembly [0.0]
  分子動力学拡散モデルでは、与えられた入力対ポテンシャル関数の有効な出力を予測することができる。 このモデルは、非条件および条件付き生成タスクのベースライン点雲拡散モデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-28T22:21:45Z)
• A Computational Model of Learning and Memory Using Structurally Dynamic Cellular Automata [0.0]
  そこで本研究では,生物工学的手法に基づく学習と記憶の数学的・計算モデルを提案する。 実験結果から,1回のトレーニング実行後に報酬状態を再発見するために,モデルが最適に近い選択をすることができることがわかった。
  論文  参考訳（メタデータ） (2024-12-20T17:26:17Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• 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)

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。