論文の概要: OpenPRC: A Unified Open-Source Framework for Physics-to-Task Evaluation in Physical Reservoir Computing

• arxiv url: http://arxiv.org/abs/2604.07423v1
• Date: Wed, 08 Apr 2026 16:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.4705
• Title: OpenPRC: A Unified Open-Source Framework for Physics-to-Task Evaluation in Physical Reservoir Computing
• Title（参考訳）: OpenPRC:物理貯留層計算における物理対タスク評価のための統一オープンソースフレームワーク
• Authors: Yogesh Phalak, Wen Sin Lor, Apoorva Khairnar, Benjamin Jantzen, Noel Naughton, Suyi Li,
• Abstract要約: このギャップを埋めるオープンソースのPythonフレームワークであるOpenPRCを紹介します。 ユニバーサルHDF5スキーマは、GPUをシミュレートし、実験的に取得したトラジェクトリを変更せずに同じ下流ワークフローに入ることを可能にする。 実証された機能には、テッセルレーションのシミュレーション、物理貯水池からのビデオベースの軌道抽出、標準化されたPRCベンチマークのための共通インターフェース、相関診断、キャパシティ分析が含まれる。
• 参考スコア（独自算出の注目度）: 0.23090185577016445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical Reservoir Computing (PRC) leverages the intrinsic nonlinear dynamics of physical substrates, mechanical, optical, spintronic, and beyond, as fixed computational reservoirs, offering a compelling paradigm for energy-efficient and embodied machine learning. However, the practical workflow for developing and evaluating PRC systems remains fragmented: existing tools typically address only isolated parts of the pipeline, such as substrate-specific simulation, digital reservoir benchmarking, or readout training. What is missing is a unified framework that can represent both high-fidelity simulated trajectories and real experimental measurements through the same data interface, enabling reproducible evaluation, analysis, and physics-aware optimization across substrates and data sources. We present OpenPRC, an open-source Python framework that fills this gap through a schema-driven physics-to-task pipeline built around five modules: a GPU-accelerated hybrid RK4-PBD physics engine (demlat), a video-based experimental ingestion layer (openprc.vision), a modular learning layer (reservoir), information-theoretic analysis and benchmarking tools (analysis), and physics-aware optimization (optimize). A universal HDF5 schema enforces reproducibility and interoperability, allowing GPU-simulated and experimentally acquired trajectories to enter the same downstream workflow without modification. Demonstrated capabilities include simulations of Origami tessellations, video-based trajectory extraction from a physical reservoir, and a common interface for standardized PRC benchmarking, correlation diagnostics, and capacity analysis. The longer-term vision is to serve as a standardizing layer for the PRC community, compatible with external physics engines including PyBullet, PyElastica, and MERLIN.
• Abstract（参考訳）: 物理貯水池コンピューティング(PRC)は、物理基板、機械的、光学的、スピントロニクスなどの固有非線形ダイナミクスを固定された計算貯水池として利用し、エネルギー効率と具体的機械学習のための魅力的なパラダイムを提供する。 既存のツールは一般に、基板固有のシミュレーション、デジタル貯水池ベンチマーク、リードアウトトレーニングのようなパイプラインの孤立した部分のみに対処する。 欠けているのは、高忠実なシミュレートされた軌跡と、同じデータインターフェースを通じて実際の実験的な測定の両方を表現できる統一されたフレームワークである。 このギャップを埋めるオープンソースのPythonフレームワークであるOpenPRCは、GPUアクセラレーションされたハイブリッドRK4-PBD物理エンジン(demlat)、ビデオベースの実験的取り込み層(openprc.vision)、モジュール学習層(reservoir)、情報理論分析とベンチマークツール(分析)、物理認識最適化(optimize)の5つのモジュールを中心に構築されたスキーマ駆動の物理対タスクパイプラインを通じて、このギャップを埋める。 普遍的なHDF5スキーマは再現性と相互運用性を強制し、GPUシミュレートされた実験的に取得された軌道を変更せずに同じ下流ワークフローに入ることができる。 実証機能には、折り紙テッセルレーションのシミュレーション、物理貯水池からのビデオベース軌道抽出、標準化されたPRCベンチマークのための共通インターフェース、相関診断、キャパシティ分析などがある。 長期的なビジョンは、PyBullet、PyElastica、MERLINといった外部物理エンジンと互換性のある、PRCコミュニティの標準化レイヤとして機能することである。

関連論文リスト

• MMPhysVideo: Scaling Physical Plausibility in Video Generation via Joint Multimodal Modeling [55.72785604682579]
  MMPhysVideoは、共同マルチモーダルモデリングにおけるビデオ生成における物理的可視性を拡大するフレームワークである。 MMPhysVideoは、様々なベンチマークで高度なモデルよりも、物理的な可視性と視覚的品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-03T07:32:24Z)
• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• Cedalion Tutorial: A Python-based framework for comprehensive analysis of multimodal fNIRS & DOT from the lab to the everyday world [0.0]
  Cedalionは、fNIRSとDOTデータのモデルベースおよびデータ駆動分析を統合するために設計されたPythonベースのフレームワークである。 SNIRFとBIDS標準をサポートし、クラウドで実行可能なJupyterノートブックをサポートし、コンテナ化された分析パイプラインを提供する。 信号品質評価、運動補正、GLMモデリング、再構成のための検証済みアルゴリズムを実装し、シミュレーション、データ拡張、マルチモーダル生理学解析のモジュールによって補完される。
  論文  参考訳（メタデータ） (2026-01-09T16:37:48Z)
• Py-DiSMech: A Scalable and Efficient Framework for Discrete Differential Geometry-Based Modeling and Control of Soft Robots [0.0]
  Py-DiSMechはPythonベースの、ソフトロボット構造のモデリングと制御のためのオープンソースのシミュレーションフレームワークである。 Py-DiSMechは、メッシュ上での曲率やひずみなどの幾何量を識別することにより、ロッド、シェル、ハイブリッド構造の非線形変形を高忠実さで捉え、計算コストを低減させる。
  論文  参考訳（メタデータ） (2025-12-10T18:40:27Z)
• Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning [0.15469999759898032]
  PLAIDは物理シミュレーションのデータセットを表現および共有するためのフレームワークである。 PLAIDはシミュレーションデータを記述するための統一標準を定義する。 PLAID標準の下で,構造力学と計算流体力学を網羅した6つのデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-05-05T18:59:17Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。