論文の概要: Acoustic neural networks: Identifying design principles and exploring physical feasibility

• arxiv url: http://arxiv.org/abs/2511.21313v1
• Date: Wed, 26 Nov 2025 11:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.081731
• Title: Acoustic neural networks: Identifying design principles and exploring physical feasibility
• Title（参考訳）: 音響ニューラルネットワーク:設計原理の同定と物理的実現可能性の探索
• Authors: Ivan Kalthoff, Marcel Rey, Raphael Wittkowski,
• Abstract要約: 本稿では,音波伝搬による音響ニューラルネットワークの設計とシミュレーションを行うフレームワークを提案する。 我々の研究は、学習可能なネットワークコンポーネントを物理的に測定可能な音響特性に直接接続する音響ニューラルネットワークのための一般的なフレームワークを提供する。 本研究は、物理的に実現可能な音響ニューラルネットワークの設計原理を確立し、低消費電力波浪型ニューラルコンピューティングへの道筋を概説する。
• 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: Wave-guide-based physical systems provide a promising route toward energy-efficient analog computing beyond traditional electronics. Within this landscape, acoustic neural networks represent a promising approach for achieving low-power computation in environments where electronics are inefficient or limited, yet their systematic design has remained largely unexplored. Here we introduce a framework for designing and simulating acoustic neural networks, which perform computation through the propagation of sound waves. Using a digital-twin approach, we train conventional neural network architectures under physically motivated constraints including non-negative signals and weights, the absence of bias terms, and nonlinearities compatible with intensity-based, non-negative acoustic signals. Our work provides a general framework for acoustic neural networks that connects learnable network components directly to physically measurable acoustic properties, enabling the systematic design of realizable acoustic computing systems. We demonstrate that constrained recurrent and hierarchical architectures can perform accurate speech classification, and we propose the SincHSRNN, a hybrid model that combines learnable acoustic bandpass filters with hierarchical temporal processing. The SincHSRNN achieves up to 95% accuracy on the AudioMNIST dataset while remaining compatible with passive acoustic components. Beyond computational performance, the learned parameters correspond to measurable material and geometric properties such as attenuation and transmission. Our results establish general design principles for physically realizable acoustic neural networks and outline a pathway toward low-power, wave-based neural computing.
• Abstract（参考訳）: 導波路に基づく物理システムは、従来のエレクトロニクスを超えたエネルギー効率の良いアナログコンピューティングへの有望な道筋を提供する。 このランドスケープの中では、音響ニューラルネットワークは、電子機器が非効率または制限されている環境で低電力計算を達成するための有望なアプローチである。 本稿では,音波伝搬による計算を行う音響ニューラルネットワークの設計とシミュレーションを行うフレームワークを提案する。 ディジタルツインアプローチを用いて、非負の信号や重み、バイアス項の欠如、強度に基づく非負の音響信号に適合する非線形性を含む、物理的に動機付けられた制約の下で従来のニューラルネットワークアーキテクチャを訓練する。 我々の研究は、学習可能なネットワークコンポーネントを物理的に測定可能な音響特性に直接接続する音響ニューラルネットワークのための一般的なフレームワークを提供し、実現可能な音響コンピューティングシステムの体系設計を可能にする。 制約付き繰り返しおよび階層的アーキテクチャは正確な音声分類を行うことができることを示すとともに,学習可能な音響帯域通過フィルタと階層的時間的処理を組み合わせたハイブリッドモデルであるSincHSRNNを提案する。 SincHSRNNはAudioMNISTデータセット上で最大95%の精度を達成し、受動的音響コンポーネントとの互換性を維持している。 計算性能以外にも、学習されたパラメータは測定可能な材料と減衰や透過などの幾何学的性質に対応している。 本研究は、物理的に実現可能な音響ニューラルネットワークの設計原理を確立し、低消費電力波浪型ニューラルコンピューティングへの道筋を概説する。

関連論文リスト

• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Training neural networks with structured noise improves classification and generalization [0.0]
  ノイズの多いトレーニングデータに構造を加えることで,アルゴリズムの性能が大幅に向上することを示す。 また,Hebbian Unlearning(ヘビアン・アンラーニング・ルール)と呼ばれる規則は,雑音が最大値である場合のトレーニング・ウィズ・ノイズ・アルゴリズムと一致することを証明した。
  論文  参考訳（メタデータ） (2023-02-26T22:10:23Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Spiking Neural Networks for Frame-based and Event-based Single Object Localization [26.51843464087218]
  スパイクニューラルネットワークは、人工ニューラルネットワークに代わるエネルギー効率の高い代替手段として、多くの可能性を示してきた。 代用勾配降下法を用いて学習した単一物体の局所化に対するスパイクニューラルネットワークアプローチを提案する。 提案手法を類似の人工知能ニューラルネットワークと比較した結果, 精度, 各種汚損対策, エネルギー消費量の低減が得られた。
  論文  参考訳（メタデータ） (2022-06-13T22:22:32Z)
• Noise mitigation strategies in physical feedforward neural networks [0.0]
  物理ニューラルネットワークは、次世代人工知能ハードウェアの候補候補として期待されている。 我々は、接続トポロジ、ゴーストニューロン、およびノイズ緩和戦略としてプールを導入する。 本研究は,MNIST手書き桁を分類する完全トレーニングニューラルネットワークに基づく組み合わせ手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-04-20T13:51:46Z)
• Physical Constraint Embedded Neural Networks for inference and noise regulation [0.0]
  ニューラルネットワークに偶数ノード対称性と保存則を埋め込む方法を提案する。 先行知識を使わずに正確に対称性を推測できることを実証する。 物理拘束型組込みニューラルネットワークの雑音耐性特性を強調した。
  論文  参考訳（メタデータ） (2021-05-19T14:07:20Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。