論文の概要: Energy-Based Dynamical Models for Neurocomputation, Learning, and Optimization

• arxiv url: http://arxiv.org/abs/2604.05042v1
• Date: Mon, 06 Apr 2026 18:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.42063
• Title: Energy-Based Dynamical Models for Neurocomputation, Learning, and Optimization
• Title（参考訳）: ニューロ計算, 学習, 最適化のためのエネルギーモデル
• Authors: Arthur N. Montanari, Francesco Bullo, Dmitry Krotov, Adilson E. Motter,
• Abstract要約: 機械学習の最近の進歩は、力学系が計算を行う新しいメカニズムを明らかにしている。 このチュートリアルは、スケーラビリティ、堅牢性、エネルギー効率を改善することを目的とした、神経に触発された計算のアプローチに焦点を当てている。
• 参考スコア（独自算出の注目度）: 6.977686048058014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances at the intersection of control theory, neuroscience, and machine learning have revealed novel mechanisms by which dynamical systems perform computation. These advances encompass a wide range of conceptual, mathematical, and computational ideas, with applications for model learning and training, memory retrieval, data-driven control, and optimization. This tutorial focuses on neuro-inspired approaches to computation that aim to improve scalability, robustness, and energy efficiency across such tasks, bridging the gap between artificial and biological systems. Particular emphasis is placed on energy-based dynamical models that encode information through gradient flows and energy landscapes. We begin by reviewing classical formulations, such as continuous-time Hopfield networks and Boltzmann machines, and then extend the framework to modern developments. These include dense associative memory models for high-capacity storage, oscillator-based networks for large-scale optimization, and proximal-descent dynamics for composite and constrained reconstruction. The tutorial demonstrates how control-theoretic principles can guide the design of next-generation neurocomputing systems, steering the discussion beyond conventional feedforward and backpropagation-based approaches to artificial intelligence.
• Abstract（参考訳）: 制御理論、神経科学、機械学習の交差における最近の進歩は、力学系が計算を行う新しいメカニズムを明らかにしている。 これらの進歩は、モデル学習とトレーニング、メモリ検索、データ駆動制御、最適化など、幅広い概念的、数学的、計算的アイデアを含む。 このチュートリアルは、そのようなタスクにおけるスケーラビリティ、堅牢性、エネルギー効率の向上を目的として、人工システムと生体システムのギャップを埋めることを目的とした、神経に触発された計算手法に焦点を当てる。 特に、勾配流やエネルギー景観を通して情報をエンコードするエネルギーベース力学モデルに重点を置いている。 まず、連続時間ホップフィールドネットワークやボルツマンマシンなどの古典的な定式化をレビューし、そのフレームワークを近代的な発展に拡張することから始める。 これには、高容量記憶のための高密度連想メモリモデル、大規模最適化のための発振器ベースのネットワーク、複合的および制約された再構成のための近距離ダイナミクスが含まれる。 このチュートリアルでは、制御理論の原則が次世代のニューロコンピューティングシステムの設計をいかに導くかを示し、従来のフィードフォワードやバックプロパゲーションに基づく人工知能のアプローチを超えて議論を主導する。

関連論文リスト

• Intelligence Foundation Model: A New Perspective to Approach Artificial General Intelligence [55.07411490538404]
  我々は,人工知能基盤モデル(IFM)による人工知能(AGI)への新たな視点を提案する。 IFMは、多様な知的行動から直接学習することで、インテリジェンスの基礎となるメカニズムを取得することを目的としている。
  論文  参考訳（メタデータ） (2025-11-13T09:28:41Z)
• Machine Learning and Control: Foundations, Advances, and Perspectives [0.0]
  重畳制御性やアンサンブル制御性といった概念は、ディープニューラルネットワークの分類と表現特性に新たな洞察を与えることを示す。 また、動的ニューラルネットワークと静的ニューラルネットワークの関係についても検討する。 偏微分方程式の文脈で長い間確立されてきた拡散過程の古典的性質が、現代の生成人工知能の成功を説明するのにどのように貢献するかを述べる。
  論文  参考訳（メタデータ） (2025-09-30T10:47:26Z)
• High-order expansion of Neural Ordinary Differential Equations flows [4.4569182855550755]
  イベントグラデーション上のニューラルODEダイナミクスの厳密な数学的記述を提供する高階微分に基づくフレームワークであるイベントトランジションを紹介する。 本研究は,イベントトリガー型ニューラルディファレンス方程式のより深い理論的基礎と,複雑なシステム力学を説明する数学的構造に寄与する。
  論文  参考訳（メタデータ） (2025-04-02T08:57:34Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Bottom-up and top-down approaches for the design of neuromorphic processing systems: Tradeoffs and synergies between natural and artificial intelligence [3.874729481138221]
  ムーアの法則は指数計算能力の期待を加速させており、システム全体の性能を改善するための新たな方法を求める最終段階に近づいている。 これらの方法の1つは、生物学的ニューラルネットワークシステムの柔軟性と計算効率を達成することを目的とした、脳にインスパイアされた代替コンピューティングアーキテクチャの探索である。 我々は、このパラダイムシフトが実現される際の粒度の異なるレベルについて、その分野の包括的概要を提供する。
  論文  参考訳（メタデータ） (2021-06-02T16:51:45Z)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。