論文の概要: Learning with springs and sticks

• arxiv url: http://arxiv.org/abs/2508.19015v1
• Date: Tue, 26 Aug 2025 13:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.856385
• Title: Learning with springs and sticks
• Title（参考訳）: 泉と棒で学ぶ
• Authors: Luis Mantilla Calderón, Alán Aspuru-Guzik,
• Abstract要約: 本研究では,任意の連続関数を任意に近似できるばねと棒からなる簡単な力学系について検討する。 提案手法を回帰タスクに適用し,その性能が多層パーセプトロンに匹敵することを示す。 環境変動に起因したシステムのエンファーモダイナミック学習障壁を実証的に発見する。
• 参考スコア（独自算出の注目度）: 6.765839157891597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning is a physical process. Here, we aim to study a simple dynamical system composed of springs and sticks capable of arbitrarily approximating any continuous function. The main idea of our work is to use the sticks to mimic a piecewise-linear approximation of the given function, use the potential energy of springs to encode a desired mean squared error loss function, and converge to a minimum-energy configuration via dissipation. We apply the proposed simulation system to regression tasks and show that its performance is comparable to that of multi-layer perceptrons. In addition, we study the thermodynamic properties of the system and find a relation between the free energy change of the system and its ability to learn an underlying data distribution. We empirically find a \emph{thermodynamic learning barrier} for the system caused by the fluctuations of the environment, whereby the system cannot learn if its change in free energy hits such a barrier. We believe this simple model can help us better understand learning systems from a physical point of view.
• Abstract（参考訳）: 学習は物理的なプロセスである。 そこで本研究では,任意の連続関数を任意に近似できるばねと棒からなる単純な力学系について検討する。 我々の研究の主目的は、棒を使って与えられた関数の片方向の線形近似を模倣し、スプリングのポテンシャルエネルギーを使って所望の平均2乗誤差損失関数を符号化し、散逸を通して最小エネルギー構成に収束させることである。 提案手法を回帰タスクに適用し,その性能が多層パーセプトロンに匹敵することを示す。 さらに, 系の熱力学特性について検討し, 系の自由エネルギー変化と基礎となるデータ分布を学習する能力の関係を見出した。 本研究では, 環境変動に起因するシステムに対して, 自由エネルギーの変化がそのような障壁に達するかどうかを学習できないことを実証的に見出した。 このシンプルなモデルは、物理的な観点から学習システムを理解するのに役立ちます。

関連論文リスト

• The Importance of Being Lazy: Scaling Limits of Continual Learning [60.97756735877614]
  モデル幅の増大は,特徴学習の量を減らし,遅延度を高めた場合にのみ有益であることを示す。 特徴学習,タスク非定常性,および忘れることの複雑な関係について検討し,高い特徴学習が極めて類似したタスクにのみ有用であることを示す。
  論文  参考訳（メタデータ） (2025-06-20T10:12:38Z)
• Learning Stochastic Thermodynamics Directly from Correlation and Trajectory-Fluctuation Currents [0.0]
  電流は近年、エントロピーの有界生産における役割について注目を集めている。 そこでは、累積電流と標準機械学習損失関数の基本的な関係を導入する。 これらの損失関数は、TURと他の方法の両方から得られた結果を再現する。 さらに重要なことは、以前は到達不能な量に対する新しい損失関数を発見する道を開くことである。
  論文  参考訳（メタデータ） (2025-04-26T19:42:09Z)
• Predicting the Energy Landscape of Stochastic Dynamical System via Physics-informed Self-supervised Learning [27.544116710935278]
  エネルギー景観は多くの実世界の複雑なシステムの力学を形成する上で重要な役割を担っている。 進化軌道からエネルギー景観を学習するための物理インフォームド自己教師学習法を提案する。
  論文  参考訳（メタデータ） (2025-02-24T04:26:26Z)
• Discovering Physics Laws of Dynamical Systems via Invariant Function Learning [51.84691955495693]
  我々は、常微分方程式(ODE)によって支配される力学系の基底法則を学習することを考える。 我々はtextbfInvariant textbfFunctions (DIF) のtextbfDisentanglement と呼ばれる新しい手法を提案する。 私たちのコードはAIRSライブラリの一部としてリリースされています。
  論文  参考訳（メタデータ） (2025-02-06T20:46:50Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• Using the Environment to Understand non-Markovian Open Quantum Systems [0.0]
  ガウス環境の任意の相関関数を推定するために,任意の手法で計算されたシステム相関を用いる方法を示す。 正確な浴槽力学を得るために,システム力学を数値的に正確にシミュレーションする手法を用いる。
  論文  参考訳（メタデータ） (2021-06-08T09:43:03Z)
• Reward Propagation Using Graph Convolutional Networks [61.32891095232801]
  本稿では,グラフ表現学習のアイデアを活用した潜在機能学習フレームワークを提案する。 我々のアプローチは、強化学習の確率論的推論と組み合わせて、重要な要素として使用するグラフ畳み込みネットワークに依存している。
  論文  参考訳（メタデータ） (2020-10-06T04:38:16Z)
• Accurately Solving Physical Systems with Graph Learning [22.100386288615006]
  本稿では,グラフネットワークを持つ物理系に対する反復解法を高速化する新しい手法を提案する。 エンド・ツー・エンドで物理システムを学習することを目的とした既存の手法とは異なり、我々のアプローチは長期的な安定性を保証する。 本手法は,従来の反復解法の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-06T15:48:34Z)
• Scale bridging materials physics: Active learning workflows and integrable deep neural networks for free energy function representations in alloys [0.0]
  メカノケミカル相互作用材料システムでは、組成のみを考慮しても、秩序パラメータやひずみは自由エネルギーを合理的に高次元にすることができる。 大規模ブリッジングのパラダイムとして自由エネルギーを提案する際、我々はそのような高次元関数の表現にニューラルネットワークを利用したことがある。 我々は,原子スケールモデルと統計力学から得られるエネルギーデリバティブデータを学習し,解析的に積分して自由エネルギー密度関数を復元する統合型ディープニューラルネットワーク(IDNN)を開発した。
  論文  参考訳（メタデータ） (2020-01-30T03:59:24Z)

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。