論文の概要: Computing with Living Neurons: Chaos-Controlled Reservoir Computing with Knowledge Transplant

• arxiv url: http://arxiv.org/abs/2604.02552v1
• Date: Thu, 02 Apr 2026 22:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.228013
• Title: Computing with Living Neurons: Chaos-Controlled Reservoir Computing with Knowledge Transplant
• Title（参考訳）: リビングニューロンを用いたコンピューティング:知識移植によるカオス制御型貯留層コンピューティング
• Authors: Seung Hyun Kim, Zhi Dou, Gaurav Upadhyay, Anay Pattanaik, Leo Maslov, Lav Varshney, John Beggs, Howard Gritton, Mattia Gazzola,
• Abstract要約: 生体神経培養のためのカオス制御型貯留層計算(cc-RC)を導入する。 cc-RCは、(i)各文化の動的シグネチャと相画像誘導器の事前訓練、(ii)自発性および刺激誘発性活動の安定化のための低出力光カオス制御を組み合わせた。 そこで我々は,知識移植(KT)を提案し,専門家文化によって学習された貯水池マップをアトラクタと同等の学生文化に移植し,学習時間を数分に短縮し,性能の向上を図る。
• 参考スコア（独自算出の注目度）: 5.267378509728803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce chaos-controlled Reservoir Computing (cc-RC) for living neural cultures: dynamically rich substrates of unique potential for adaptive computation. To account for intrinsic biological variability, cc-RC combines: (i) pre-training identification of each culture's dynamical signature and phase-portrait attractor; (ii) low-power optical chaos control to stabilize spontaneous and stimulus-evoked activity; (iii) readout training within this controlled regime. Across hundreds of neural samples, cc-RC enables robust learning and pattern classification, improving both accuracy and model longevity by approximately 300% over standard RC. We further propose Knowledge Transplant (KT), for which the reservoir map learned by an expert culture is transplanted to an attractor-equivalent student culture, reducing training time to minutes while improving performance. By enabling cross-substrate, reusable learned models, KT paves the way for knowledge accumulation and sharing across neural populations, transcending biological lifespan limits.
• Abstract（参考訳）: 生体神経培養のためのカオス制御型貯留層計算(cc-RC)を導入する。 固有の生物学的多様性を説明するため、cc-RCは以下のことを組み合わせている。 一 各文化の動力学的特徴及び相画像的魅力の事前訓練 二 自発・刺激誘発活動の安定化のための低出力光カオス制御 三 この統制体制内での読み出し訓練 数百のニューラルネットワークサンプルに対して、cc-RCは堅牢な学習とパターン分類を可能にし、標準RCよりも精度とモデルの長寿命を約300%向上させる。 さらに,知識移植(KT)を提案し,専門家文化によって学習された貯水池マップをアトラクタと同等の学生文化に移植し,学習時間を数分に短縮し,性能の向上を図る。 クロスベースで再利用可能な学習モデルを有効にすることで、KTは神経集団をまたいだ知識の蓄積と共有の道を開き、生物学的寿命を超越する。

関連論文リスト

• On Neural Scaling Laws for Weather Emulation through Continual Training [76.70310203875866]
  我々はScientific Machine Learningにおけるニューラルスケーリングについて研究し、天気予報モデルに焦点を当てた。 可能な限り簡単な設定でスケーリング動作を解析するために、最小限でスケーラブルで汎用的なSwin Transformerアーキテクチャを採用する。 この最小限の方法でトレーニングされたモデルは、予測可能なスケーリングトレンドに従っており、標準的なコサイン学習率のスケジュールよりも優れています。
  論文  参考訳（メタデータ） (2026-03-26T17:37:25Z)
• A Lightweight Brain-Inspired Machine Learning Framework for Coronary Angiography: Hybrid Neural Representation and Robust Learning Strategies [11.167221101488229]
  提案するフレームワークは、事前訓練された畳み込みニューラルネットワーク上に構築され、軽量なハイブリッドニューラルネットワーク表現を構築する。 効率的なパラメータ適応を実現するために、選択的神経可塑性トレーニング戦略を導入する。 脳にインスパイアされた注意変調損失関数は、ハードサンプルや不確実なアノテーションに対する感受性を高めるために用いられる。
  論文  参考訳（メタデータ） (2026-01-22T11:14:37Z)
• From Neural Activity to Computation: Biological Reservoirs for Pattern Recognition in Digit Classification [5.786141965873944]
  本稿では,培養された生体ニューロンのネットワークが貯留層として機能する貯留層コンピューティング(RC)への生物学的基盤的アプローチを提案する。 カスタムデータセットを用いた数字分類のケーススタディにより,本システムの評価を行った。
  論文  参考訳（メタデータ） (2025-10-07T07:36:36Z)
• HKT: A Biologically Inspired Framework for Modular Hereditary Knowledge Transfer in Neural Networks [11.55707202063445]
  Hereditary Knowledge Transfer (HKT) は、大規模で事前訓練された親ネットワークから小さな子モデルへのタスク関連機能のモジュール化と選択的移行のためのフレームワークである。 HKTは、メモリRNA転送などの生物学的継承機構からインスピレーションを得て、多段階の機能伝達を導く。 我々は、光学的フロー、画像分類、セマンティックセグメンテーションを含む多様な視覚タスクのHKTを評価する。
  論文  参考訳（メタデータ） (2025-08-13T12:13:28Z)
• Flexible Phase Dynamics for Bio-Plausible Contrastive Learning [11.179324762680297]
  Contrastive Learning (CL)アルゴリズムは、伝統的に剛性、時間的に非局所的、周期的な学習ダイナミクスで実装されている。 この研究は、CLが生物学的またはニューロモルフィックシステムによってどのように実装されるかを研究する研究に基づいている。 このような学習は時間的に局所的に行うことができ、標準的な訓練手順の動的要求の多くを緩和しても機能することを示す。
  論文  参考訳（メタデータ） (2023-02-24T03:18:45Z)
• Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
  ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。 我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。 DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
  論文  参考訳（メタデータ） (2022-04-14T22:06:21Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Consistency and Monotonicity Regularization for Neural Knowledge Tracing [50.92661409499299]
  人間の知識獲得を追跡する知識追跡(KT)は、オンライン学習と教育におけるAIの中心的なコンポーネントです。 本稿では, 新たなデータ拡張, 代替, 挿入, 削除の3種類と, 対応する正規化損失を提案する。 さまざまなKTベンチマークに関する広範な実験は、私たちの正規化スキームがモデルのパフォーマンスを一貫して改善することを示しています。
  論文  参考訳（メタデータ） (2021-05-03T02:36:29Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。