Fugu-MT 論文翻訳(概要): A Neuromorphic Architecture for Scalable Event-Based Control

論文の概要: A Neuromorphic Architecture for Scalable Event-Based Control

arxiv url: http://arxiv.org/abs/2511.11924v1
Date: Fri, 14 Nov 2025 23:08:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-18 14:36:23.399561
Title: A Neuromorphic Architecture for Scalable Event-Based Control
Title（参考訳）: スケーラブルなイベントベース制御のためのニューロモルフィックアーキテクチャ
Authors: Yongkang Huo, Fulvio Forni, Rodolphe Sepulchre,
Abstract要約: 本稿では、スケーラブルなニューロモルフィック制御アーキテクチャの基本要素として、リバウンドなWinner-Take-All(RWTA)のモチーフを紹介する。本稿では,ヘビロボットの神経系設計を通じて,アーキテクチャの汎用性,堅牢性,モジュール性について説明する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces the ``rebound Winner-Take-All (RWTA)" motif as the basic element of a scalable neuromorphic control architecture. From the cellular level to the system level, the resulting architecture combines the reliability of discrete computation and the tunability of continuous regulation: it inherits the discrete computation capabilities of winner-take-all state machines and the continuous tuning capabilities of excitable biophysical circuits. The proposed event-based framework addresses continuous rhythmic generation and discrete decision-making in a unified physical modeling language. We illustrate the versatility, robustness, and modularity of the architecture through the nervous system design of a snake robot.
Abstract（参考訳）: 本稿では,スケーラブルなニューロモルフィック制御アーキテクチャの基本要素として,'rebound Winner-Take-All'モチーフを紹介する。セルレベルからシステムレベルまで、結果として得られるアーキテクチャは離散計算の信頼性と連続的な制御のチューナビリティを組み合わせる。イベントベースのフレームワークは、統合物理モデリング言語における連続的なリズミカル生成と離散決定に対処する。本稿では,ヘビロボットの神経系設計を通じて,アーキテクチャの汎用性,堅牢性,モジュール性について説明する。

関連論文リスト

Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文参考訳（メタデータ） (2026-01-29T14:29:21Z)
Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems [0.5735035463793009]
我々は、リカレントインテグレータ内に既知の物理をハード構造制約として埋め込んだ汎用アーキテクチャであるHybrid Recurrent Physics-Informed Neural Network (HRPINN) を定式化し、残留力学のみを学習する。第2に,計画HRPINN (PHRPINN, Projected HRPINN) を導入する。実世界のバッテリ確率DAEでHRPINNを評価し,標準制約ベンチマークでPHRPINNを評価する。
論文参考訳（メタデータ） (2025-11-28T16:06:24Z)
QiVC-Net: Quantum-Inspired Variational Convolutional Network, with Application to Biosignal Classification [3.6538646907547716]
この研究は、確率的推論、変分最適化、および畳み込みアーキテクチャ内での量子インスパイアされた変換の原理を統合する新しい学習パラダイムである量子インスパイアされた変分畳み込み(QiVC)フレームワークを導入している。この概念はQiVCベースの畳み込みネットワーク(QiVC-Net)でインスタンス化され、生体信号分類の文脈で評価される。 PhysioNet CinC 2016 と PhysioNet CirCor DigiScope 2022 の2つのベンチマークデータセットの実験では、QiVC-Net が最先端のパフォーマンスを達成し、それぞれ97.84% と97.89% に達した。
論文参考訳（メタデータ） (2025-11-07T21:44:31Z)
Dynamical Alignment: A Principle for Adaptive Neural Computation [1.0974389213466795]
固定されたニューラルネットワーク構造は、その構造ではなく、入力信号の時間的ダイナミクスによって駆動される、根本的に異なる計算モードで動作可能であることを示す。この計算上の優位性は、入力力学とニューロン統合の間の時間スケールのアライメントから生じる。この原理は、安定塑性ジレンマから分離積分力学まで、神経科学における長期保存双対性に関する統一的で計算可能な視点を提供する。
論文参考訳（メタデータ） (2025-08-13T06:35:57Z)
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)
Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics [3.507097894538744]
構造化状態空間モデリングをKAN(Kolmogorov-Arnold Networks)と統合するフレームワークを提案する。 SKANODEは、全トレーニング可能なkanをユニバーサル関数近似器として使用し、仮想センシングを行い、変位や速度などの解釈可能な物理量に対応する潜在状態を回復する。シミュレーションおよび実世界のシステムに関する実験は、SKANODEが優れた予測精度を達成し、物理に一貫性のある力学を発見し、複雑な非線形挙動を明らかにすることを示した。
論文参考訳（メタデータ） (2025-06-23T06:42:43Z)
A Winner-Takes-All Mechanism for Event Generation [0.5461938536945721]
本稿では,ニューロンの内在的リバウンド励起性と入出力計算を併用した,中央パターン生成設計のための新しいフレームワークを提案する。我々のアプローチは、シンプルだが強力なネットワークアーキテクチャにおいて、意思決定とリズミカルパターンの生成を統一する。
論文参考訳（メタデータ） (2025-04-15T16:40:37Z)
Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文参考訳（メタデータ） (2025-03-20T12:28:08Z)
BriLLM: Brain-inspired Large Language Model [40.47939901030644]
BriLLMは、機械学習の基礎を再定義する、脳にインスパイアされた大きな言語モデルである。 BriLLMは2つの重要な神経認知原理を取り入れている。(1) 静的な意味マッピング、(2) トークンは皮質領域に類似した特定のノードにマッピングされ、(2) 脳活動で観察される電気生理学的情報ダイナミクスをシミュレートする動的信号伝達である。このアーキテクチャは、自然なマルチモーダル互換性、ノードレベルでの完全なモデル解釈可能性、コンテキスト長の独立スケーリング、言語タスクのための脳に似た情報処理のグローバルなシミュレーションなど、複数の革新的なブレークスルーを可能にする。
論文参考訳（メタデータ） (2025-03-14T11:08:30Z)
A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
論文参考訳（メタデータ） (2024-09-23T11:16:46Z)
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)
Discrete-Valued Neural Communication [85.3675647398994]
コンポーネント間で伝達される情報を離散表現に制限することは、有益なボトルネックであることを示す。個人は「猫」が特定の経験に基づいて何であるかについて異なる理解を持っているが、共有された離散トークンは、個人間のコミュニケーションが内部表現の個人差によって切り離されることを可能にする。我々は、量子化機構をベクトル量子化変分オートコーダから共有符号ブックによる多頭部離散化に拡張し、離散値ニューラル通信に利用する。
論文参考訳（メタデータ） (2021-07-06T03:09:25Z)
Coupled Oscillatory Recurrent Neural Network (coRNN): An accurate and (gradient) stable architecture for learning long time dependencies [15.2292571922932]
本稿では,リカレントニューラルネットワークのための新しいアーキテクチャを提案する。提案するRNNは, 2次常微分方程式系の時間分解に基づく。実験の結果,提案したRNNは,様々なベンチマークによる最先端技術に匹敵する性能を示した。
論文参考訳（メタデータ） (2020-10-02T12:35:04Z)

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。