論文の概要: Gate-level boolean evolutionary geometric attention neural networks

• arxiv url: http://arxiv.org/abs/2511.17550v1
• Date: Tue, 11 Nov 2025 11:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.26247
• Title: Gate-level boolean evolutionary geometric attention neural networks
• Title（参考訳）: ゲートレベルのブール進化幾何学的注意神経ネットワーク
• Authors: Xianshuai Shi, Jianfeng Zhu, Leibo Liu,
• Abstract要約: ゲートレベルの幾何学的注意ニューラルネットワークは、論理ゲートが支配するブール場として画像をモデル化する。 ネットワークはブール反応拡散機構を通じて画像状態を更新する。 本稿では,ネットワークが普遍的な表現性,解釈可能性,ハードウェア効率を実現することを示す。
• 参考スコア（独自算出の注目度）: 5.985222592888107
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a gate-level Boolean evolutionary geometric attention neural network that models images as Boolean fields governed by logic gates. Each pixel is a Boolean variable (0 or 1) embedded on a two-dimensional geometric manifold (for example, a discrete toroidal lattice), which defines adjacency and information propagation among pixels. The network updates image states through a Boolean reaction-diffusion mechanism: pixels receive Boolean diffusion from neighboring pixels (diffusion process) and perform local logic updates via trainable gate-level logic kernels (reaction process), forming a reaction-diffusion logic network. A Boolean self-attention mechanism is introduced, using XNOR-based Boolean Query-Key (Q-K) attention to modulate neighborhood diffusion pathways and realize logic attention. We also propose Boolean Rotary Position Embedding (RoPE), which encodes relative distances by parity-bit flipping to simulate Boolean ``phase'' offsets. The overall structure resembles a Transformer but operates entirely in the Boolean domain. Trainable parameters include Q-K pattern bits and gate-level kernel configurations. Because outputs are discrete, continuous relaxation methods (such as sigmoid approximation or soft-logic operators) ensure differentiable training. Theoretical analysis shows that the network achieves universal expressivity, interpretability, and hardware efficiency, capable of reproducing convolutional and attention mechanisms. Applications include high-speed image processing, interpretable artificial intelligence, and digital hardware acceleration, offering promising future research directions.
• Abstract（参考訳）: 本稿では,論理ゲートが支配するブール場をモデルとした,ゲートレベルの論理幾何学的注意ニューラルネットワークを提案する。 各画素は2次元幾何学多様体(例えば、離散トロイダル格子)上に埋め込まれたブール変数 (0 or 1) であり、画素間の隣接性と情報伝播を定義する。 画素は隣接する画素(拡散過程)からブール拡散を受け、訓練可能なゲートレベル論理カーネル(反応過程)を介して局所論理更新を行い、反応拡散論理ネットワークを形成する。 XNOR をベースとした Boolean Query-Key (Q-K) のアテンションを用いて,近傍拡散経路を変調し,論理アテンションを実現するブール自己アテンション機構を導入する。 また、パリティビットフリップにより相対距離を符号化し、Boolean ``phase'オフセットをシミュレートするBoolean Rotary Position Embedding (RoPE)を提案する。 全体的な構造はTransformerに似ているが、Booleanドメインで完全に動作する。 トレーニング可能なパラメータには、Q-Kパターンビットとゲートレベルのカーネル構成が含まれる。 出力は離散であるので、連続緩和法(シグモイド近似やソフト論理演算子など)は微分可能な訓練を保証する。 理論的解析により、ネットワークは普遍的な表現性、解釈可能性、ハードウェア効率を実現し、畳み込み機構と注意機構を再現できることが示されている。 応用例としては、高速画像処理、解釈可能な人工知能、デジタルハードウェアアクセラレーションがあり、将来的な研究方向を提供する。

関連論文リスト

• Quantifying The Limits of AI Reasoning: Systematic Neural Network Representations of Algorithms [10.292476979020522]
  基本的に任意の回路をフィードフォワードニューラルネットワーク(NN)に変換するシステムメタアルゴリズムを提案する。 あらゆるデジタルコンピュータ上で、我々の構成は回路を正確にエミュレートしている ― 近似がなく、丸めず、モジュラーなオーバーフローも含まない ― ニューラルネットワークの範囲を超えて推論タスクが存在しないことを実証している。
  論文  参考訳（メタデータ） (2025-08-25T21:55:37Z)
• FuncGNN: Learning Functional Semantics of Logic Circuits with Graph Neural Networks [0.0]
  And-Inverter Graph synthesiss (AIG) は、現代の回路におけるブール論理を表現するために広く採用されている。 マルチグラニュラリティトポロジカルパターンを抽出するために,ハイブリッド機能アグリゲーションを統合したFuncGNNを提案する。 FuncGNNは、それぞれ2.06%と18.71%の改善を実現し、トレーニング時間を約50.6%、GPUメモリ使用量を約32.8%削減した。
  論文  参考訳（メタデータ） (2025-06-07T13:04:07Z)
• Boolean-aware Boolean Circuit Classification: A Comprehensive Study on Graph Neural Network [2.1080766959962625]
  グラフ構造に基づくブール回路分類は、グラフ分類タスクにグループ化することができる。 まず、提案したマッチング等価クラスをBoolean-aware'プロパティに基づいて定義する。 本稿では,グラフニューラルネットワーク(GNN)を基盤として,ブール認識回路の分類に影響を及ぼす要因を解析するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T08:38:21Z)
• Bandwidth-efficient distributed neural network architectures with application to body sensor networks [73.02174868813475]
  本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。 提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。 本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
  論文  参考訳（メタデータ） (2022-10-14T12:35:32Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Logical blocks for fault-tolerant topological quantum computation [55.41644538483948]
  本稿では,プラットフォームに依存しない論理ゲート定義の必要性から,普遍的なフォールトトレラント論理の枠組みを提案する。 資源オーバーヘッドを改善するユニバーサル論理の新しいスキームについて検討する。 境界のない計算に好適な論理誤差率を動機として,新しい計算手法を提案する。
  論文  参考訳（メタデータ） (2021-12-22T19:00:03Z)
• X-volution: On the unification of convolution and self-attention [52.80459687846842]
  本稿では,畳み込み操作と自己注意操作の両方からなるマルチブランチ基本モジュールを提案する。 提案したX-進化は、非常に競争力のある視覚的理解の改善を実現する。
  論文  参考訳（メタデータ） (2021-06-04T04:32:02Z)
• Tunable Quantum Neural Networks for Boolean Functions [0.0]
  ブール関数を学習するためにゲートを調整できる汎用量子回路のアイデアを導入する。 学習課題を実行するために,測定の欠如を利用したアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-03-31T11:55:01Z)

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。