論文の概要: Physical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.17789v1
• Date: Fri, 21 Nov 2025 21:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.429234
• Title: Physical Reinforcement Learning
• Title（参考訳）: 物理強化学習
• Authors: Sam Dillavou, Shruti Mishra,
• Abstract要約: 対照的に、CLLN(Contrastive Local Learning Networks)は低消費電力で、物理的ダメージに対して堅牢である。 本研究は,シミュレーションCLLNに適応したQ-ラーニングを用いた2つの簡単なRL問題に対する成功例を示す。 我々は,デジタルハードウェアが要求する物理的安全性,CLLNが強制できない,生物学的システムが依存できないといった仮定について議論し,生物学において重要であり,CLLNでは訓練可能であるが,デジタルコンピュータでは意味をなさない二次目標を強調する。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital computers are power-hungry and largely intolerant of damaged components, making them potentially difficult tools for energy-limited autonomous agents in uncertain environments. Recently developed Contrastive Local Learning Networks (CLLNs) - analog networks of self-adjusting nonlinear resistors - are inherently low-power and robust to physical damage, but were constructed to perform supervised learning. In this work we demonstrate success on two simple RL problems using Q-learning adapted for simulated CLLNs. Doing so makes explicit the components (beyond the network being trained) required to enact various tools in the RL toolbox, some of which (policy function and value function) are more natural in this system than others (replay buffer). We discuss assumptions such as the physical safety that digital hardware requires, CLLNs can forgo, and biological systems cannot rely on, and highlight secondary goals that are important in biology and trainable in CLLNs, but make little sense in digital computers.
• Abstract（参考訳）: デジタルコンピュータは電力不足であり、損傷した部品には耐え難いため、不確実な環境でのエネルギー制限された自律エージェントにとって、潜在的に難しいツールとなる。 近年,自己調整型非線形抵抗器のアナログネットワークであるContrastive Local Learning Networks (CLLNs) が開発された。 本研究は,シミュレーションCLLNに適応したQ-ラーニングを用いた2つの簡単なRL問題に対する成功例を示す。 そうすることで、RLツールボックス内の様々なツールを実行するために必要なコンポーネント(トレーニング中のネットワーク以外に)を明確にし、その一部(政治機能とバリュー関数)は、他のシステム(リプレイバッファ)よりも自然である。 我々は,デジタルハードウェアが要求する物理的安全性,CLLNが強制できない,生物学的システムが依存できないといった仮定について議論し,生物学において重要であり,CLLNでは訓練可能であるが,デジタルコンピュータでは意味をなさない二次目標を強調する。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Machine Learning Without a Processor: Emergent Learning in a Nonlinear Electronic Metamaterial [0.6597195879147557]
  トランジスタをベースとした非線形抵抗素子を自己調整したアナログ電子ネットワークである非線形学習メタマテリアルを導入する。 我々は,XORや非線形回帰を含む線形システムでは不可能なタスクをコンピュータなしで学習できることを実証した。 これは、センサー、ロボットコントローラー、医療機器といったエッジシステムにおける、高速で低消費電力なコンピューティングの可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-01T14:16:37Z)
• Neuromorphic analog circuits for robust on-chip always-on learning in spiking neural networks [1.9809266426888898]
  混合信号ニューロモルフィックシステムは、極端コンピューティングタスクを解決するための有望なソリューションである。 彼らのスパイクニューラルネットワーク回路は、連続的にセンサーデータをオンラインに処理するために最適化されている。 我々は,短期的アナログ力学と長期的三状態離散化機構を備えたオンチップ学習回路を設計する。
  論文  参考訳（メタデータ） (2023-07-12T11:14:25Z)
• Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
  スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。 本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。 CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
  論文  参考訳（メタデータ） (2022-10-10T10:05:00Z)
• Learning of Parameters in Behavior Trees for Movement Skills [0.9562145896371784]
  振舞い木(BT)は、モジュラーと構成可能なスキルをサポートするポリシー表現を提供することができる。 本稿では,BTポリシーのパラメータをシミュレーションで学習し,追加のトレーニングを伴わずに物理ロボットに一般化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-27T13:46:39Z)
• Building Compact and Robust Deep Neural Networks with Toeplitz Matrices [93.05076144491146]
  この論文は、コンパクトで、訓練が容易で、信頼性があり、敵の例に対して堅牢なニューラルネットワークを訓練する問題に焦点を当てている。 Toeplitzファミリーの構造化行列の特性を利用して、コンパクトでセキュアなニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2021-09-02T13:58:12Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Automatic Perturbation Analysis for Scalable Certified Robustness and Beyond [171.07853346630057]
  ニューラルネットワークに対する線形緩和に基づく摂動解析(LiRPA)は、堅牢性検証と認証防御のコアコンポーネントとなっている。 我々は任意のニューラルネットワーク構造上で摂動解析を可能にするための自動フレームワークを開発する。 我々は、Tiny ImageNetとDownscaled ImageNetのLiRPAベースの認証防御を実証する。
  論文  参考訳（メタデータ） (2020-02-28T18:47:43Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Memristor Hardware-Friendly Reinforcement Learning [14.853739554366351]
  そこで我々は,強化学習におけるアクター・クリティック・アルゴリズムのための経験的ニューロモルフィック・ハードウェアの実装を提案する。 RLと制御理論の両方において古典的な問題である逆振り子のバランスをとることを考える。 本研究は,メムリスタをベースとしたハードウェアニューラルネットワークを用いて複雑なタスクをその場での強化学習によって処理する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-01-20T01:08:44Z)

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。