論文の概要: Hebbian Attractor Networks for Robot Locomotion

• arxiv url: http://arxiv.org/abs/2603.22512v1
• Date: Mon, 23 Mar 2026 19:20:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.165598
• Title: Hebbian Attractor Networks for Robot Locomotion
• Title（参考訳）: Hebbian Attractor Networks for Robot Locomotion (特集:ロボット・ロコモーション)
• Authors: Alexander Dittrich, Fuda van Diggelen, Dario Floreano,
• Abstract要約: ヘビアン可塑性は、変化する環境に迅速に適応するための有望な道を提供する。 Hebbian Attractor Networks (HANs) は創発的アトラクタダイナミクスを誘導する。 その結果、低速更新と平均的なシナプス前後の活性化が組み合わさって、安定した重量構成への収束を促進することが示唆された。
• 参考スコア（独自算出の注目度）: 44.84033948079516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological neural networks continuously adapt and modify themselves in response to experiences throughout their lifetime - a capability largely absent in artificial neural networks. Hebbian plasticity offers a promising path toward rapid adaptation in changing environments. Here, we introduce Hebbian Attractor Networks (HAN), a class of plastic neural networks in which local weight update normalization induces emergent attractor dynamics. Unlike prior approaches, HANs employ dual-timescale plasticity and temporal averaging of pre- and postsynaptic activations to induce either co-dynamic limit cycles or fixed-point weight attractors. Using simulated locomotion benchmarks, we gain insight into how Hebbian update frequency and activation averaging influence weight dynamics and control performance. Our results show that slower updates, combined with averaged pre- and postsynaptic activations, promote convergence to stable weight configurations, while faster updates yield oscillatory co-dynamic systems. We further demonstrate that these findings generalize to high-dimensional quadrupedal locomotion with a simulated Unitree Go1 robot. These results highlight how the timing of plasticity shapes neural dynamics in embodied systems, providing a principled characterization of the attractor regimes that emerge in self-modifying networks.
• Abstract（参考訳）: 生物学的ニューラルネットワークは、生涯にわたる経験に応えて、継続的に適応し、修正する。 ヘビアン可塑性は、変化する環境に迅速に適応するための有望な道を提供する。 本稿では、局所的な重み更新正規化が創発的誘引ダイナミクスを誘導するプラスチックニューラルネットワークのクラスであるHebbian Attractor Networks(HAN)を紹介する。 従来のアプローチとは異なり、HANは双時間的可塑性と時間平均のシナプス前および後シナプス後活性化を用いて、コダイナミックリミットサイクルまたは固定点トリガーを誘導する。 シミュレーションされたロコモーションベンチマークを用いて、ヘビーンの更新頻度とアクティベーション平均化がウェイトダイナミクスや制御性能に与える影響について考察する。 以上の結果から,より遅い更新と平均的な前シナプス運動と後シナプス運動とが相まって,安定な重み構成への収束を促進する一方で,より速い更新により振動的コ力学系が得られることが示唆された。 さらに, シミュレーションしたUnitree Go1ロボットを用いて, 高次元四足歩行に一般化できることを実証した。 これらの結果は、可塑性のタイミングがエンボディシステムにおける神経力学をいかに形作るかを強調し、自己修飾ネットワークに現れるアトラクタ機構の原理的特徴を提供する。

関連論文リスト

• Articulated-Body Dynamics Network: Dynamics-Grounded Prior for Robot Learning [14.046146512352315]
  本稿では,フォワードダイナミクスの計算構造を基盤とした新しいグラフニューラルネットワークアーキテクチャであるArticulated-Body Dynamics Network (ABD-Net)を提案する。 提案手法は, 変圧器ベースラインやGNNベースラインと比較して, サンプル効率の向上と動的シフトへの一般化を示す。 さらに、実際のUnitree G1およびGo2ロボット、最先端のヒューマノイド、四足歩行プラットフォームに関する学習ポリシーを検証する。
  論文  参考訳（メタデータ） (2026-03-19T16:06:49Z)
• 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)
• 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)
• A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
  深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。 我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
  論文  参考訳（メタデータ） (2024-09-17T16:17:52Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)

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。