論文の概要: Optimal Computation from Fluctuation Responses

• arxiv url: http://arxiv.org/abs/2510.03900v1
• Date: Sat, 04 Oct 2025 18:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.329799
• Title: Optimal Computation from Fluctuation Responses
• Title（参考訳）: ゆらぎ応答からの最適計算
• Authors: Jinghao Lyu, Kyle J. Ray, James P. Crutchfield,
• Abstract要約: 鍵となる疑問は、熱力学的コストを最小限に抑えながら正しい結果を得るプロトコルをどうやって設計するかである。 本研究では、変動応答関係(FRR)と機械学習を用いて最適なプロトコルを識別する統合フレームワークを開発する。 物理情報処理システムにおける熱力学的に効率的なプロトコルを設計するための原則的戦略を提供する。
• 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: The energy cost of computation has emerged as a central challenge at the intersection of physics and computer science. Recent advances in statistical physics -- particularly in stochastic thermodynamics -- enable precise characterizations of work, heat, and entropy production in information-processing systems driven far from equilibrium by time-dependent control protocols. A key open question is then how to design protocols that minimize thermodynamic cost while ensur- ing correct outcomes. To this end, we develop a unified framework to identify optimal protocols using fluctuation response relations (FRR) and machine learning. Unlike previous approaches that optimize either distributions or protocols separately, our method unifies both using FRR-derived gradients. Moreover, our method is based primarily on iteratively learning from sampled noisy trajectories, which is generally much easier than solving for the optimal protocol directly from a set of governing equations. We apply the framework to canonical examples -- bit erasure in a double-well potential and translating harmonic traps -- demonstrating how to construct loss functions that trade-off energy cost against task error. The framework extends trivially to underdamped systems, and we show this by optimizing a bit-flip in an underdamped system. In all computations we test, the framework achieves the theoretically optimal protocol or achieves work costs comparable to relevant finite time bounds. In short, the results provide principled strategies for designing thermodynamically efficient protocols in physical information-processing systems. Applications range from quantum gates robust under noise to energy-efficient control of chemical and synthetic biological networks.
• Abstract（参考訳）: 計算のエネルギーコストは物理学と計算機科学の交わりの中心的な課題として現れてきた。 統計物理学、特に確率的熱力学の最近の進歩は、時間依存制御プロトコルによって、平衡から遠く離れた情報処理系における仕事、熱、エントロピーの生成を正確に特徴づけることができる。 鍵となる疑問は、熱力学のコストを最小限に抑えながら正しい結果を出すプロトコルをどうやって設計するかである。 そこで我々は,変動応答関係(FRR)と機械学習を用いて,最適なプロトコルを識別する統合フレームワークを開発した。 分散やプロトコルを個別に最適化する従来の手法とは異なり、本手法はFRR由来の勾配を用いて両方を統一する。 さらに,本手法は,一組の制御方程式から直接最適なプロトコルを解くよりも,一般的にははるかに容易な,サンプリングされた雑音軌跡から反復的に学習することに基づいている。 このフレームワークを、ダブルウェルポテンシャルにおけるビット消去とハーモニックトラップの変換という標準的な例に適用し、タスクエラーに対してエネルギーコストをトレードオフする損失関数を構築する方法を示す。 このフレームワークは、下水系に対して自明に拡張し、下水系においてビットフリップを最適化することによってこれを示す。 テストする全ての計算において、このフレームワークは理論上最適なプロトコルを達成するか、関連する有限時間境界に匹敵する作業コストを達成する。 簡単に言えば、物理情報処理システムにおける熱力学的に効率的なプロトコルを設計するための原則的な戦略を提供する。 応用は、雑音下で頑健な量子ゲートから、化学および合成生物学的ネットワークのエネルギー効率制御まで様々である。

関連論文リスト

• A statistical physics framework for optimal learning [1.243080988483032]
  我々は、ニューラルネットワークモデルにおける最適なプロトコルを特定するために、統計物理学と制御理論を統合理論の枠組みで組み合わせる。 本稿では,動的順序パラメータに基づいて,学習プロトコルを最適制御問題として定式化する。 このフレームワークには、さまざまな学習シナリオ、最適化制約、制御予算が含まれています。
  論文  参考訳（メタデータ） (2025-07-10T16:39:46Z)
• Physics-Informed Neural Networks for Control of Single-Phase Flow Systems Governed by Partial Differential Equations [4.776073133338117]
  物理インフォームド・ニューラルネット・フォー・コントロール(PINC)フレームワークを拡張して,ニューラルネットワークと物理保存法則を統合する。 PDEのPINCモデルは、幅広い制御入力に対する平衡解を学習する定常ネットワークと、時間変化境界条件下で動的応答をキャプチャする過渡的ネットワークの2段階に構成されている。 本研究では,物理法則のみを用いてトレーニングされたPINCモデルを用いて,流れのダイナミクスを正確に表現し,リアルタイム制御が可能であることを実証し,数値実験により本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-06-06T15:50:19Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Learning diffusion at lightspeed [4.154846138501937]
  観測データから拡散項を学習する既存のモデルは、複雑な二段階最適化問題に依存する。 既存のアーキテクチャの複雑さを回避できる新しいシンプルなモデル JKOnet* を提案する。 JKOnet*は単純な二次的損失を最小限に抑え、サンプル効率、計算複雑性、精度で他のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-06-18T13:44:07Z)
• The Predictive Forward-Forward Algorithm [79.07468367923619]
  本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。 我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。 PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
  論文  参考訳（メタデータ） (2023-01-04T05:34:48Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Optimizing thermalizations [0.0]
  量子系のエネルギー占有の完全なセットをアルゴリズム的に特徴付けるために,連続熱行列化の概念に基づく厳密なアプローチを提案する。 本稿では, 冷却, 作業抽出, 最適シーケンスの文脈で最適なプロトコルを見出すことにより, これを説明する。 同じツールにより、熱力学プロトコルの性能においてメモリ効果が果たす役割を定量的に評価することもできる。
  論文  参考訳（メタデータ） (2022-02-25T11:05:39Z)
• Optimal control of quantum thermal machines using machine learning [0.0]
  本稿では、量子熱機械における有限時間熱力学過程の最適化に微分可能プログラミング(DP)を用いることを示す。 制約付き最適化タスクとしてSTA駆動プロトコルを定式化し、DPを適用して最適な運転プロファイルを求める。 提案手法と結果から,MLは量子制御の難解化と,その理論的基礎を考案・評価するのにも有用であることが示された。
  論文  参考訳（メタデータ） (2021-08-27T18:00:49Z)
• Logistic Q-Learning [87.00813469969167]
  MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。 提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
  論文  参考訳（メタデータ） (2020-10-21T17:14:31Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。