論文の概要: Oscillator-Based Associative Memory with Exponential Capacity: Theory, Algorithms, and Hardware Implementation

• arxiv url: http://arxiv.org/abs/2604.01469v1
• Date: Wed, 01 Apr 2026 23:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.104012
• Title: Oscillator-Based Associative Memory with Exponential Capacity: Theory, Algorithms, and Hardware Implementation
• Title（参考訳）: 指数容量を持つオシレータ型連想メモリ:理論,アルゴリズム,ハードウェア実装
• Authors: Arie Ogranovich, Taosha Guo, Arvind R. Venkatakrishnan, Madelyn Shapiro, Francesco Bullo, Fabio Pasqualetti,
• Abstract要約: 連想記憶システムは、パターンの格納と検索を可能にする。 ハニカムトポロジを用いた倉本発振器ネットワークに基づく連想記憶アーキテクチャを提案する。 我々は,このアーキテクチャが指数記憶能力を実現することを証明した。
• 参考スコア（独自算出の注目度）: 4.337876197068824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Associative memory systems enable content-addressable storage and retrieval of patterns, a capability central to biological neural computation and artificial intelligence. Classical implementations such as Hopfield networks face fundamental limitations in memory capacity, scaling at most linearly with network size. We present an associative memory architecture based on Kuramoto oscillator networks with honeycomb topology in which memories are encoded as stable phase-locked configurations. The honeycomb network consists of multiple cycles that share nodes in a chain-like arrangement, creating a one-dimensional lattice of chained+loops. We prove that this architecture achieves exponential memory capacity: a network of $N$ oscillators can store $(2\lceil n_c/4 \rceil - 1)^m$ distinct patterns, where $m$ honeycomb cycles each contain $n_c$ oscillators. Moreover, we fully characterize all stable configurations and prove that each memory's basin of attraction maintains a guaranteed minimum size independent of network scale. Simulations using charge-density-wave (CDW) oscillators validate predicted phase-locking behavior, demonstrating practical realizability in neuromorphic hardware.
• Abstract（参考訳）: 連想記憶システムは、生物学的ニューラルネットワークと人工知能の中心となるパターンの保存と検索を可能にする。 ホップフィールドネットワークのような古典的な実装は、メモリ容量の基本的な制限に直面し、ネットワークサイズとほとんど線形にスケールする。 安定位相ロック構成としてメモリを符号化したハニカムトポロジを用いた倉本発振器ネットワークに基づく連想型メモリアーキテクチャを提案する。 ハニカムネットワークは、鎖状配列でノードを共有する複数のサイクルから構成され、鎖状+ループの1次元格子を形成する。 N$発振器のネットワークは$(2\lceil n_c/4 \rceil - 1)^m$異なるパターンを保存でき、$m$ハニカムサイクルは$n_c$発振器を含む。 さらに,各メモリのアトラクションがネットワークスケールに依存しない最小サイズを維持していることを示す。 電荷密度波(CDW)振動子を用いたシミュレーションは、予測位相同期挙動を検証し、ニューロモルフィックハードウェアにおける実用的な実現可能性を示す。

関連論文リスト

• Higher-Order Kuramoto Oscillator Network for Dense Associative Memory [0.0]
  本研究では,高次結合により,メモリ容量とシステムサイズとの超線形スケーリングを実現することを示す。 これらの結果は、現在のホプフィールド記憶と倉本同期を橋渡しする。
  論文  参考訳（メタデータ） (2025-07-29T16:35:52Z)
• Latent Structured Hopfield Network for Semantic Association and Retrieval [52.634915010996835]
  エピソード記憶は、オブジェクト、場所、時間などの意味的要素をコヒーレントなイベント表現に関連付けることによって、過去の経験を思い出すことができる。 本稿では,連続ホップフィールドアトラクタダイナミクスを自動エンコーダアーキテクチャに統合するフレームワークであるLatent Structured Hopfield Network (LSHN)を提案する。 従来のホップフィールドネットワークとは異なり、我々のモデルは勾配勾配でエンドツーエンドに訓練され、スケーラブルで堅牢なメモリ検索を実現する。
  論文  参考訳（メタデータ） (2025-06-02T04:24:36Z)
• Topology-aware Embedding Memory for Continual Learning on Expanding Networks [63.35819388164267]
  本稿では,メモリリプレイ技術を用いて,メモリ爆発問題に対処する枠組みを提案する。 Topology-aware Embedding Memory (TEM) を用いたPDGNNは最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-01-24T03:03:17Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Kernel Memory Networks: A Unifying Framework for Memory Modeling [9.142894972380216]
  我々は、ニューラルネットワークをトレーニングして、最大ノイズロバスト性を持つパターンの集合を格納する問題を考察する。 解は、各ニューロンにカーネル分類または最小重量ノルムの実行を訓練することで導出される。 我々は、カーネルメモリネットワークと呼ばれる最適なモデル、特に、異種および自己連想型メモリモデルの多くを含むものを導出する。
  論文  参考訳（メタデータ） (2022-08-19T16:01:09Z)
• Quantum associative memory with a single driven-dissipative nonlinear oscillator [0.0]
  本稿では,単一駆動型量子発振器を用いた連想メモリの実現を提案する。 このモデルは、大局的に離散ニューロンベースのシステムの記憶能力を向上させることができる。 結合記憶容量は、リウヴィリア超作用素におけるスペクトルギャップの存在と本質的に関連していることを示す。
  論文  参考訳（メタデータ） (2022-05-19T12:00:35Z)
• Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural Networks [69.42260428921436]
  クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。 我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。 CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:13:36Z)
• High-Capacity Expert Binary Networks [56.87581500474093]
  ネットワークバイナライゼーションは、効率的なディープモデルを作成するための、ハードウェア対応の有望な方向性である。 メモリと計算上の優位性にもかかわらず、バイナリモデルとその実数値モデルの間の精度のギャップを縮めることは、未解決の課題である。 本稿では,入力特徴に基づく時間に1つのデータ固有のエキスパートバイナリフィルタを選択することを学習することで,初めてバイナリネットワークに条件付きコンピューティングを適合させる専門家バイナリ畳み込みを提案する。
  論文  参考訳（メタデータ） (2020-10-07T17:58:10Z)

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。