論文の概要: Near-Equilibrium Propagation training in nonlinear wave systems

• arxiv url: http://arxiv.org/abs/2510.16084v1
• Date: Fri, 17 Oct 2025 15:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.84104
• Title: Near-Equilibrium Propagation training in nonlinear wave systems
• Title（参考訳）: 非線形波動系における準平衡伝播訓練
• Authors: Karol Sajnok, Michał Matuszewski,
• Abstract要約: 現代の人工知能のワークホースであるバックプロパゲーション学習アルゴリズムは、物理ニューラルネットワークの実装が難しいことで知られている。 我々はEP学習を離散的および連続的な複素数値波系に拡張する。 単純な論理的タスクや手書きデジタル認識を含む標準ベンチマークに関する数値的研究は、安定な収束を示す。
• 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: Backpropagation learning algorithm, the workhorse of modern artificial intelligence, is notoriously difficult to implement in physical neural networks. Equilibrium Propagation (EP) is an alternative with comparable efficiency and strong potential for in-situ training. We extend EP learning to both discrete and continuous complex-valued wave systems. In contrast to previous EP implementations, our scheme is valid in the weakly dissipative regime, and readily applicable to a wide range of physical settings, even without well defined nodes, where trainable inter-node connections can be replaced by trainable local potential. We test the method in driven-dissipative exciton-polariton condensates governed by generalized Gross-Pitaevskii dynamics. Numerical studies on standard benchmarks, including a simple logical task and handwritten-digit recognition, demonstrate stable convergence, establishing a practical route to in-situ learning in physical systems in which system control is restricted to local parameters.
• Abstract（参考訳）: 現代の人工知能のワークホースであるバックプロパゲーション学習アルゴリズムは、物理ニューラルネットワークの実装が難しいことで知られている。 平衡伝播(Equilibrium Propagation、EP)は、その場での訓練に匹敵する効率と強力なポテンシャルを持つ代替手段である。 我々はEP学習を離散的および連続的な複素数値波系に拡張する。 従来のEP実装とは対照的に,本方式は弱い散逸状態において有効であり,訓練可能なノード間接続をトレーニング可能なローカルポテンシャルに置き換えることができ,適切に定義されたノードがなくても,幅広い物理設定に容易に適用可能である。 一般化Gross-Pitaevskii動力学により制御された駆動散逸性エキシトン-ポラリトン凝縮体において,本法を試験する。 単純な論理的タスクや手書きデジタル認識を含む標準的なベンチマークに関する数値的研究は、システム制御が局所パラメータに制限される物理系におけるその場学習への実践的な経路を確立し、安定した収束を示す。

関連論文リスト

• Resource efficient certification of system environment entanglement solely from reduced system dynamics [0.0]
  非古典的相関の証明は、到達不能な環境と結合するオープン量子系において大きな課題となる。 近年の研究では、自律的な純粋嫌悪シナリオにおいて、環境との量子不一致はシステムのみの力学から証明できることが示されている。 本稿では,システムのダイナミクスの低減のみで,システム環境の量子絡み合いの認証を可能にする手法を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:17:29Z)
• Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
  深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。 本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。 本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
  論文  参考訳（メタデータ） (2025-09-27T11:11:30Z)
• Dynamical Learning in Deep Asymmetric Recurrent Neural Networks [1.3421746809394772]
  非対称なディープリカレントニューラルネットワークは、指数関数的に大きく、密度の高い内部表現の多様体を生み出すことを示す。 本稿では,再帰的ダイナミクスからインプット・アウトプット・アソシエーションが自然に出現する分散学習手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T12:05:09Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Incorporating Coupling Knowledge into Echo State Networks for Learning Spatiotemporally Chaotic Dynamics [0.9831489366502302]
  物理誘導型クラスタリングエコー状態ネットワークを導入し、エコー状態ネットワークの効率をベースモデルとして活用する。 ESNモデルへの結合知識の活用は,学習条件や目標システム条件の変動に対して頑健性を高めることができることを数値的に示す。
  論文  参考訳（メタデータ） (2025-04-02T09:19:33Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Neural Network Training with Asymmetric Crosspoint Elements [1.0773924713784704]
  実用的な抵抗装置の非対称コンダクタンス変調は、従来のアルゴリズムで訓練されたネットワークの分類を著しく劣化させる。 ここでは、ハミルトニアン Descent という代替の完全並列トレーニングアルゴリズムを記述し、実験的に示す。 我々は、なぜデバイス非対称性が従来のトレーニングアルゴリズムと根本的に相容れないのか、新しいアプローチがどのようにそれを有用な機能として利用するのか、という批判的な直感を提供する。
  論文  参考訳（メタデータ） (2022-01-31T17:41:36Z)
• Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
  ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。 学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。 さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
  論文  参考訳（メタデータ） (2021-06-15T05:30:17Z)
• Supervised training of spiking neural networks for robust deployment on mixed-signal neuromorphic processors [2.6949002029513167]
  混合信号アナログ/デジタル電子回路はスパイキングニューロンやシナプスを非常に高いエネルギー効率でエミュレートすることができる。 ミスマッチは、同一構成ニューロンとシナプスの効果的なパラメータの違いとして表現される。 ミスマッチに対する堅牢性や,その他の一般的なノイズ源を最大化することで,この課題に対処する,教師付き学習アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-12T09:20:49Z)

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。