論文の概要: Vestibular reservoir computing

• arxiv url: http://arxiv.org/abs/2604.09943v1
• Date: Fri, 10 Apr 2026 22:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.757879
• Title: Vestibular reservoir computing
• Title（参考訳）: 前庭貯留層計算
• Authors: Smita Deb, Shirin Panahi, Mulugeta Haile, Ying-Cheng Lai,
• Abstract要約: Reservoir Computing (RC) は、その訓練効率で知られている計算フレームワークである。 本稿では,生物前庭系にインスパイアされた物理RCスキームを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reservoir computing (RC) is a computational framework known for its training efficiency, making it ideal for physical hardware implementations. However, realizing the complex interconnectivity of traditional reservoirs in physical systems remains a significant challenge. This paper proposes a physical RC scheme inspired by the biological vestibular system. To overcome hardware complexity, we introduce a designed uncoupled topology and demonstrate that it achieves performance comparable to fully coupled networks. We theoretically analyze the difference between these topologies by deriving a memory capacity formula for linear reservoirs, identifying specific conditions where both configurations yield equivalent memory. These analytical results are demonstrated to approximately hold for nonlinear reservoir systems. Furthermore, we systematically examine the impact of reservoir size on predictive statistics and memory capacity. Our findings suggest that uncoupled reservoir architectures offer a mathematically sound and practically feasible pathway for efficient physical reservoir computing.
• Abstract（参考訳）: Reservoir Computing (RC) はトレーニング効率で知られている計算フレームワークであり、物理ハードウェアの実装に最適である。 しかし、物理系における従来の貯水池の複雑な相互接続性を実現することは重要な課題である。 本稿では,生物前庭系にインスパイアされた物理RCスキームを提案する。 ハードウェアの複雑さを克服するため、設計された未結合なトポロジを導入し、完全に結合されたネットワークに匹敵する性能を発揮することを示す。 線形貯水池のメモリ容量公式を導出することにより,これらのトポロジ間の差異を理論的に解析し,両構成が等価なメモリを生成する特定の条件を特定する。 これらの解析結果は, 非線形貯水池系にほぼ成立することが実証された。 さらに,貯水池の大きさが予測統計および記憶能力に与える影響を系統的に検討した。 この結果から,非結合型貯水池構造は,効率的な物理貯水池計算のための数学的に健全で実用的な経路を提供する可能性が示唆された。

関連論文リスト

• Optimizing the Network Topology of a Linear Reservoir Computer [0.0]
  貯留層コンピューティング(Reservoir computing)は、予測および観測タスクのための時間データを処理する機械学習ツールである。 伝統的に、貯水池コンピュータ(RC)の接続はランダムに発生し、基本設計を欠いている。 本稿では,線形RCのトポロジを最適化し,その性能と解釈性を改善することに焦点を当てる。
  論文  参考訳（メタデータ） (2025-09-27T16:24:53Z)
• Dynamics and Computational Principles of Echo State Networks: A Mathematical Perspective [13.135043580306224]
  貯留層計算(Reservoir Computing, RC)は、状態遷移機構(貯留層)と、状態空間からマップされるフレキシブルな読み出し層を特徴とする状態空間モデル(SSM)のクラスである。 本研究はRCの系統的な探索を行い, エコー状態特性, フェージングメモリ, 貯水池容量などの基礎的特性を動的システム理論のレンズを通して論じる。 入力信号と貯水池状態の相互作用を形式化し、貯水池の安定性と表現力を示す条件を示す。
  論文  参考訳（メタデータ） (2025-04-16T04:28:05Z)
• Analog In-memory Training on General Non-ideal Resistive Elements: The Impact of Response Functions [46.75046795995564]
  AIMCハードウェアでは、トレーニング可能な重量は抵抗素子のコンダクタンスで表され、連続する電気パルスを用いて更新される。 コンダクタンスはパルスごとに一定変化するが、実際には非対称および非線形応答関数によってスケールされ、非理想的トレーニングのダイナミクスをもたらす。 本稿では,AIMCハードウェアにおける非理想応答関数を用いた勾配学習の理論的基礎を提供する。
  論文  参考訳（メタデータ） (2025-02-10T09:56:15Z)
• Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
  音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。 深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。 フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
  論文  参考訳（メタデータ） (2023-12-11T17:43:58Z)
• Restrictions on Physical Stochastic Reservoir Computers [0.0]
  アナログ貯水池コンピュータの学習能力に及ぼす雑音の影響について検討する。 情報処理能力(IPC)はノイズによる性能劣化の定量化に有用な指標であることを示す。 ノイズに晒された物理的アナログ貯水池コンピュータは、学習量の増加にのみ利用できると結論付けている。
  論文  参考訳（メタデータ） (2023-07-26T19:41:05Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Simulation platform for pattern recognition based on reservoir computing with memristor networks [1.5664378826358722]
  我々は,メムリスタデバイスネットワークを用いた貯水池コンピューティング(RC)シミュレーションプラットフォームを開発した。 メムリスタネットワークをベースとしたRCシステムは,3つの時系列分類タスクにおける最先端手法に匹敵する高い計算性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-12-01T03:06:13Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• The Computational Capacity of LRC, Memristive and Hybrid Reservoirs [1.657441317977376]
  貯留層計算(Reservoir computing)は、高次元力学系(enmphreservoir)を用いて時系列データを近似し予測する機械学習パラダイムである。 本稿では, 線形素子(抵抗素子, インダクタ, コンデンサ)と非線形メモリ素子(メムリスタ)の両方を含む電子貯水池の実現可能性と最適設計について分析する。 我々の電子貯水池は、従来の「エコステートネットワーク」貯水池の性能と直接ハードウェアで実装される形で一致または超過することができる。
  論文  参考訳（メタデータ） (2020-08-31T21:24:45Z)
• Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
  ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。 有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
  論文  参考訳（メタデータ） (2020-03-25T10:49:22Z)

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。