論文の概要: Global Mean-Amplitude Enhanced Spiking Neural Network Coherent Ising Machine

• arxiv url: http://arxiv.org/abs/2509.13917v1
• Date: Wed, 17 Sep 2025 11:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.834295
• Title: Global Mean-Amplitude Enhanced Spiking Neural Network Coherent Ising Machine
• Title（参考訳）: グローバル平均振幅強化スパイキングニューラルネットワークコヒーレントイジングマシン
• Authors: Yan Chen Jiang, Lu Ma, Chuan Wang, Tie Jun Wang,
• Abstract要約: CIM(GFSNN-CIM)を導入した。 GFSNN-CIMは、従来のスパイクニューラルネットワークCIMと比較して、ソリューションの成功率を最大27%向上させる。
• 参考スコア（独自算出の注目度）: 6.142643738867997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The coherent Ising machine (CIM) is a quantum-inspired computing platform that leverages optical parametric oscillation dynamics to solve combinatorial optimization problems by searching for the ground state of an Ising Hamiltonian. Conventional CIM implementations face challenges in handling non-uniform coupling strengths and maintaining amplitude stability during computation. In this paper, a new global mean-amplitude feedback-enhanced spiking neural network CIM (GFSNN-CIM) is introduced with a physics-driven amplitude stabilization mechanism to dynamically balance nonlinear gain saturation and coupling effects. This modification enhances synchronization in the optical pulse network, leading to more robust convergence under varying interaction strengths. Experimental validation on Max-Cut problems demonstrates that the GFSNN-CIM achieves up to a 27% improvement in solution success rates compared to conventional spiking neural network CIM, with scalability improving as problem complexity increases. Further application to the traffic assignment problem (TAP) confirms the method's generality; the GFSNN-CIM achieves near-continuous accuracy (deviations < 0.035%) even at coarse discretization, while large-scale tests on Beijing's road network (481 spins) validate its real-world applicability. These advances establish a physics-consistent optimization framework, where optical pulse dynamics directly encode combinatorial problems, paving the way for scalable, high-performance CIM implementations in complex optimization tasks.
• Abstract（参考訳）: コヒーレントイジングマシン(英: Coherent Ising Machine、CIM)は、イジング・ハミルトニアンの基底状態を探すことで組合せ最適化問題を解決するために光パラメトリック振動ダイナミクスを利用する量子インスピレーションドコンピューティングプラットフォームである。 従来のCIM実装では、非一様結合強度の処理と計算時の振幅安定性の維持が課題となっている。 本稿では、非線形ゲイン飽和と結合効果を動的にバランスさせる物理駆動型振幅安定化機構を用いて、新しいグローバル平均振幅フィードバック付スパイクニューラルネットワークCIM(GFSNN-CIM)を導入する。 この修正により、光パルスネットワークの同期が向上し、様々な相互作用強度の下でより堅牢な収束がもたらされる。 Max-Cut問題に対する実験的検証は、GFSNN-CIMが従来のスパイクニューラルネットワークCIMと比較してソリューションの成功率を最大27%改善し、問題複雑性が増加するにつれてスケーラビリティが向上することを示している。 GFSNN-CIMは粗い離散化においてもほぼ連続的な精度(0.035%)を達成し、北京の道路網(481スピン)での大規模試験は実世界の適用性を検証する。 これらの進歩は、光学パルス力学が組合せ問題を直接エンコードし、複雑な最適化タスクにおいてスケーラブルで高性能なCIM実装を実現する物理一貫性最適化フレームワークを確立する。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Enhancing Physics-Informed Neural Networks with a Hybrid Parallel Kolmogorov-Arnold and MLP Architecture [0.0]
  並列化されたkanとブランチを統一されたPINNフレームワークに統合する新しいアーキテクチャを提案する。 HPKM-PINNは、カンの解釈可能な関数近似と数値の非線形学習の相補的強度を最適にバランスさせるためのスケーリング係数xiを導入した。 これらの結果は、HPKM-PINNがKanの解釈可能性と堅牢性を活用できる能力を強調し、複雑なPDE駆動の問題を解決する汎用的でスケーラブルなツールとして位置づけている。
  論文  参考訳（メタデータ） (2025-03-30T02:59:32Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• MG-Net: Learn to Customize QAOA with Circuit Depth Awareness [51.78425545377329]
  量子近似最適化アルゴリズム(QAOA)とその変種は、最適化問題に対処する大きな可能性を示している。 良好な性能を実現するために必要な回路深度は問題固有であり、しばしば現在の量子デバイスの最大容量を超える。 ミキサジェネレータネットワーク (MG-Net) は, 最適ミキサハミルトニアンを動的に定式化するための統合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） (2024-09-27T12:28:18Z)
• Encoding arbitrary Ising Hamiltonians on Spatial Photonic Ising Machines [0.0]
  本研究では,完全な相互作用行列を直接制御できるSPIMインスタンスを導入,実験的に検証する。 実験によって測定されたIsingエネルギーと理論的な期待値との整合性を実証し、未重み付きグラフ問題と重み付きグラフ問題の両方を解決する。 本手法は,システム固有の利点を犠牲にすることなく,実世界のアプリケーションに適用可能なSPIMを大幅に拡張する。
  論文  参考訳（メタデータ） (2024-07-12T10:54:07Z)
• Accelerating Continuous Variable Coherent Ising Machines via Momentum [16.545815849819043]
  本稿では,運動量やアダムといったよりチューニング可能な最適化手法を用いてCV-CIMのダイナミクスを改良することを提案する。 我々は、Adam-CV-CIMの運動量とサンプルのAdam-CV-CIMの性能がチューナブルフレームワークとしてより安定であることが示している。
  論文  参考訳（メタデータ） (2024-01-22T17:18:53Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)

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。