論文の概要: Beyond Silicon: Materials, Mechanisms, and Methods for Physical Neural Computing

• arxiv url: http://arxiv.org/abs/2604.09833v1
• Date: Fri, 10 Apr 2026 19:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.697508
• Title: Beyond Silicon: Materials, Mechanisms, and Methods for Physical Neural Computing
• Title（参考訳）: シリコンを超える:物理神経コンピューティングの材料、メカニズム、方法
• Authors: Stefan Fischer, Nihat Ay, Olaf Landsiedel, Esfandiar Mohammadi, Sebastian Otte, Bernd-Christian Renner, Nele Rußwinkel,
• Abstract要約: ニューラルネットワークの物理的実装は、現在ではシリコンハードウェアをはるかに超越している。 このサーベイは、神経プリミティブを基質特異的なメカニズムにマッピングすることで、フィールドを統一する。 考慮された次元にわたって単一の基板が支配的でないことを示す。
• 参考スコア（独自算出の注目度）: 5.969311023803652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical implementations of neural computation now extend far beyond silicon hardware, encompassing substrates such as memristive devices, photonic circuits, mechanical metamaterials, microfluidic networks, chemical reaction systems, and living neural tissue. By exploiting intrinsic physical processes such as charge transport, wave interference, elastic deformation, mass transport, and biochemical regulation, these substrates can realize neural inference and adaptation directly in matter. As silicon GPU-centered AI faces growing energy and data-movement constraints, physical neural computation is becoming increasingly relevant as a complementary path beyond conventional digital accelerators. This trend is driven in particular by pervasive intelligence, i.e., the deployment of on-device and edge AI across large numbers of resource-constrained systems. In such settings, co-locating computation with sensing and memory can reduce data shuttling and improve efficiency. Meanwhile, physical neural approaches have emerged across disparate disciplines, yet progress remains fragmented, with limited shared terminology and few principled ways to compare platforms. This survey unifies the field by mapping neural primitives to substrate-specific mechanisms, analyzing architectural and training paradigms, and identifying key engineering constraints including scalability, precision, programmability, and I/O interfacing overhead. To enable cross-domain comparison, we introduce a first-order benchmarking scheme based on standardized static and dynamic tasks and physically interpretable performance dimensions. We show that no single substrate dominates across the considered dimensions; instead, physical neural systems occupy complementary operating regimes, enabling applications ranging from ultrafast signal processing and in-memory inference to embodied control and in-sample biochemical decision making.
• Abstract（参考訳）: 現在、ニューラルネットワークの物理的実装はシリコンハードウェアをはるかに超えており、メムリシティブデバイス、フォトニック回路、メカニカルメタマテリアル、マイクロ流体ネットワーク、化学反応システム、生きた神経組織などの基板を含んでいる。 電荷輸送、波動干渉、弾性変形、質量輸送、生化学制御などの本質的な物理過程を利用することにより、これらの基質は直接的に神経推論と適応を実現することができる。 シリコンGPU中心のAIがエネルギーとデータ移動の制約に直面しているため、物理ニューラルネットワークは、従来のデジタルアクセラレータ以上の補完的なパスとして、ますます重要になっている。 この傾向は特に、幅広いリソース制約のあるシステムにデバイス上のAIとエッジAIを配置する、広範囲なインテリジェンスによって引き起こされる。 このような設定では、センサーとメモリとのコロケーション計算により、データのシャットリングが削減され、効率が向上する。 一方、物理的ニューラルネットワークは異なる分野にまたがって現れたが、進歩は断片化され続けており、共有された用語が限られており、プラットフォームを比較するための原則的な方法がほとんどない。 この調査は、ニューラルネットワークプリミティブを基板固有のメカニズムにマッピングし、アーキテクチャとトレーニングのパラダイムを分析し、スケーラビリティ、精度、プログラマビリティ、I/Oインターフェースのオーバーヘッドを含む重要なエンジニアリング上の制約を特定することによって、分野を統一する。 ドメイン間比較を可能にするため、標準化された静的および動的タスクと物理的に解釈可能な性能次元に基づく1次ベンチマーク方式を提案する。 物理的ニューラルネットワークは,超高速信号処理やインメモリ推論から,具体的制御や生体化学的意思決定まで,様々な応用が可能となる。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Noise-Aware Training of Neuromorphic Dynamic Device Networks [2.2691986670431197]
  本稿では,デバイスネットワークのトレーニングのための新しいノイズ認識手法を提案する。 我々のアプローチでは、時間とカスケード学習によるバックプロパゲーションを採用し、物理機器の時間的特性を効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-01-14T22:46:53Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.076028127394366]
  ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。 NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
  論文  参考訳（メタデータ） (2023-04-10T15:12:09Z)
• Neuromechanical Autoencoders: Learning to Couple Elastic and Neural Network Nonlinearity [15.47367187516723]
  私たちは機械学習のアナログを開発しようとしています。 メカニカルインテリジェンス 複素非線形弾性体のモルフォロジーとaを共に学習する。 ディープ・ニューラル・ネットワークで制御できます
  論文  参考訳（メタデータ） (2023-01-31T19:04:28Z)
• Spike-based local synaptic plasticity: A survey of computational models and neuromorphic circuits [1.8464222520424338]
  シナプス可塑性のモデル化における歴史的,ボトムアップ的,トップダウン的なアプローチを概観する。 スパイクベース学習ルールの低レイテンシおよび低消費電力ハードウェア実装をサポートする計算プリミティブを同定する。
  論文  参考訳（メタデータ） (2022-09-30T15:35:04Z)
• 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 deep learning theory for neural networks grounded in physics [2.132096006921048]
  ニューロモルフィックアーキテクチャ上で大規模で高速で効率的なニューラルネットワークを構築するには、それらを実装および訓練するためのアルゴリズムを再考する必要がある。 私たちのフレームワークは、非常に幅広いモデル、すなわち状態やダイナミクスが変動方程式によって記述されるシステムに適用されます。
  論文  参考訳（メタデータ） (2021-03-18T02:12:48Z)
• Reservoir Computing with Magnetic Thin Films [35.32223849309764]
  新しい非伝統的なコンピューティングハードウェアは、自然現象を利用して効率を上げる可能性を秘めている。 物理貯水池計算は、様々な非伝統的なシステムでこれを実証している。 マイクロスケールシミュレーションにより薄膜の3つの磁性体を初期探査する。
  論文  参考訳（メタデータ） (2021-01-29T17:37:17Z)
• 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。