論文の概要: Optimal information injection and transfer mechanisms for active matter reservoir computing

• arxiv url: http://arxiv.org/abs/2509.01799v1
• Date: Mon, 01 Sep 2025 21:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.850194
• Title: Optimal information injection and transfer mechanisms for active matter reservoir computing
• Title（参考訳）: アクティブ物質貯水池計算のための最適情報注入・伝達機構
• Authors: Mario U. Gaimann, Miriam Klopotek,
• Abstract要約: 貯留層計算(Reservoir Computing, RC)は、動的システム(貯水池)のパワーをリアルタイム推論に利用する最先端の機械学習手法である。 ここでは、カオス的に動く入力信号によって駆動される活性物質系を貯水池として使用する。 反発から魅力的な駆動力に切り替えると、システムは計算方法を完全に変えてしまう。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reservoir computing (RC) is a state-of-the-art machine learning method that makes use of the power of dynamical systems (the reservoir) for real-time inference. When using biological complex systems as reservoir substrates, it serves as a testbed for basic questions about bio-inspired computation -- of how self-organization generates proper spatiotemporal patterning. Here, we use a simulation of an active matter system, driven by a chaotically moving input signal, as a reservoir. So far, it has been unclear whether such complex systems possess the capacity to process information efficiently and independently of the method by which it was introduced. We find that when switching from a repulsive to an attractive driving force, the system completely changes the way it computes, while the predictive performance landscapes remain nearly identical. The nonlinearity of the driver's injection force improves computation by decoupling the single-agent dynamics from that of the driver. Triggered are the (re-)growth, deformation, and active motion of smooth structural boundaries (interfaces), and the emergence of coherent gradients in speed -- features found in many soft materials and biological systems. The nonlinear driving force activates emergent regulatory mechanisms, which manifest enhanced morphological and dynamic diversity -- arguably improving fading memory, nonlinearity, expressivity, and thus, performance. We further perform RC in a broad variety of non-equilibrium active matter phases that arise when tuning internal (repulsive) forces for information transfer. Overall, we find that active matter agents forming liquid droplets are particularly well suited for RC. The consistently convex shape of the predictive performance landscapes, together with the observed phenomenological richness, conveys robustness and adaptivity.
• Abstract（参考訳）: 貯留層計算(Reservoir Computing, RC)は、動的システム(貯水池)のパワーをリアルタイム推論に利用する最先端の機械学習手法である。 生物の複雑なシステムを貯水池の基質として使う場合、それはバイオインスパイアされた計算に関する基礎的な質問の場として機能し、自己組織化が適切な時空間パターンを生成する方法の試験場として機能する。 ここでは、カオス的に変化する入力信号によって駆動される活性物質系のシミュレーションを貯水池として利用する。 これまでのところ、そのような複雑なシステムには、その導入方法とは独立して、効率的に情報を処理できる能力があるかどうかは定かではない。 反動から魅力的な駆動力に切り替えると、システムは計算方法を完全に変え、予測性能のランドスケープはほぼ同じであることがわかった。 ドライバのインジェクション力の非線形性は、ドライバから単一エージェントのダイナミクスを分離することで計算を改善する。 滑らかな構造境界(界面)の(再)成長、変形、活性運動、そして、多くの軟質材料や生体システムに見られるコヒーレント勾配の出現などである。非線形駆動力は、形態的および動的多様性の増強を示す創発的制御機構を活性化し、暗色記憶、非線形性、表現力、パフォーマンスを確実に改善する。 さらに、情報伝達のために内部(推進的)力をチューニングする際に生じる様々な非平衡活性物質相においてRCを行う。 総じて, 液滴を形成する活性物質剤は, 特にRCに適していることがわかった。 予測パフォーマンスランドスケープの連続した凸形状は、観察された現象学的豊かさとともに、堅牢性と適応性を伝達する。

関連論文リスト

• Controlling Topological Defects in Polar Fluids via Reinforcement Learning [1.523267496998255]
  拘束活性流体中の整数帯電欠陥の閉ループステアリングについて検討した。 本研究では, アクティブストレスの局所的な制御が, 所定の軌道に沿った流れ場を再現し, 直接的欠陥を生じさせることを示す。 結果は、トポロジカルな励起を操作するために、AIエージェントが基礎となる力学と空間的構造的活動を学ぶ方法を強調している。
  論文  参考訳（メタデータ） (2025-07-25T14:12:11Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Robustly optimal dynamics for active matter reservoir computing [0.0]
  貯水池計算のパラダイムにおいて, 活性物質の情報処理能力について検討し, カオス信号の将来状態を推定する。 我々はこれまで見過ごされてきたエージェント・ダイナミクスの並外れた体制を明らかにする。 多くの条件下での性能に対して堅牢に最適化されており、より一般的に物理システムによる計算に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-08T17:09:14Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Nonlinear Neural Dynamics and Classification Accuracy in Reservoir Computing [3.196204482566275]
  複雑度の異なる人工分類タスクにおける貯水池コンピュータの精度について検討する。 極端に非線形性が低下した活性化関数や弱いリカレント相互作用、小さな入力信号であっても、貯水池は有用な表現を計算することができる。
  論文  参考訳（メタデータ） (2024-11-15T08:52:12Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• 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)
• Value Iteration in Continuous Actions, States and Time [99.00362538261972]
  連続状態と動作に対する連続的適合値反復(cFVI)アルゴリズムを提案する。 非線形制御アフィンダイナミクスに対して最適なポリシを導出することができる。 物理システムのビデオは、urlhttps://sites.google.com/view/value-iteration.comで入手できる。
  論文  参考訳（メタデータ） (2021-05-10T21:40:56Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。