論文の概要: Optimal Memory Encoding Through Fluctuation-Response Structure

• arxiv url: http://arxiv.org/abs/2603.21666v1
• Date: Mon, 23 Mar 2026 07:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.550446
• Title: Optimal Memory Encoding Through Fluctuation-Response Structure
• Title（参考訳）: ゆらぎ応答構造による最適メモリ符号化
• Authors: Lianxiang Cui, Kohei Nakajima, Kazuyuki Aihara,
• Abstract要約: 最適入力符号化はシステムのゆらぎ応答構造に支配される問題であることを示す。 バックプロパゲーションに基づくエンコーダ最適化は ROME と等価であることが示され,タスク依存型特徴混合と固有雑音とのトレードオフが明らかになった。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical reservoir computing exploits the intrinsic dynamics of physical systems for information processing, while keeping the internal dynamics fixed and training only linear readouts; yet the role of input encoding remains poorly understood. We show that optimal input encoding is a geometric problem governed by the system's fluctuation-response structure. By measuring steady-state fluctuations and linear response, we derive an analytical criterion for the input direction that maximizes task-specific linear memory under a fixed power constraint, termed Response-based Optimal Memory Encoding (ROME). Backpropagation-based encoder optimization is shown to be equivalent to ROME, revealing a trade-off between task-dependent feature mixing and intrinsic noise. We apply ROME to various reservoir platforms, including spin-wave waveguides and spiking neural networks, demonstrating effective encoder design across physical and neuromorphic reservoirs, even in non-differentiable systems.
• Abstract（参考訳）: 物理貯水池計算は、内部の力学を固定し、線形リードアウトのみを訓練しながら、情報処理に物理系の本質的な力学を利用するが、入力エンコーディングの役割はよく分かっていない。 最適入力符号化はシステムのゆらぎ応答構造に支配される幾何学的問題であることを示す。 定常状態の変動と線形応答を測定することにより、一定電力制約下でタスク固有の線形メモリを最大化する入力方向の解析的基準を導出する。 バックプロパゲーションに基づくエンコーダ最適化は ROME と等価であることが示され,タスク依存型特徴混合と固有雑音とのトレードオフが明らかになった。 我々は、スピン波導波路やスパイクニューラルネットワークを含む様々な貯水池プラットフォームにROMEを適用し、物理的およびニューロモルフィックな貯水池をまたいだ効果的なエンコーダ設計を実証する。

関連論文リスト

• Memory-Nonlinearity Trade-off across Quantum Reservoir Computing Frameworks [0.9786690381850356]
  量子貯水池計算は、時系列処理に量子力学を利用する。 我々は、メモリ制限を含む明らかに無関係なアプローチが、同じ原理で管理されていることを示す。
  論文  参考訳（メタデータ） (2026-03-22T19:06:36Z)
• Illuminating the Black Box of Reservoir Computing [2.925652638976278]
  本研究の目的は、異なるモデルタスクに必要な最小の計算要素を特定することである。 ニューロンの数、非線形性、結合構造の必要性について検討する。 驚いたことに、読み出し層が計算の大部分を実行する非自明なケースが見つかる。
  論文  参考訳（メタデータ） (2025-11-21T07:13:26Z)
• Contraction, Criticality, and Capacity: A Dynamical-Systems Perspective on Echo-State Networks [13.857230672081489]
  本稿では,機能解析,ランダム・アトラクタ理論,最近の神経科学的な知見を融合した統合的動的システム治療について述べる。 まず,大域リプシッツ力学とともにエコー状態特性(初期条件の洗い出し)がフェーディングメモリ特性をもたらすことを証明した。 第二に、ストーン・ワイエルシュトラスの戦略を用いて、非線形貯水池と線形リードアウトを持つESNが、因果的、タイムイン・フェイディング・メモリ・フィルタのバナッハ空間に密着していることを示す。 第3に、メモリ容量スペクトルを用いて計算資源を定量化し、どのように示すかを示す。
  論文  参考訳（メタデータ） (2025-07-24T14:41:18Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• InVAErt networks: a data-driven framework for model synthesis and identifiability analysis [0.0]
  inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。 これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
  論文  参考訳（メタデータ） (2023-07-24T07:58:18Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• The Predictive Forward-Forward Algorithm [79.07468367923619]
  本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。 我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。 PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
  論文  参考訳（メタデータ） (2023-01-04T05:34:48Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)

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。