論文の概要: Training single-electron and single-photon stochastic physical neural networks
- arxiv url: http://arxiv.org/abs/2604.10861v1
- Date: Sun, 12 Apr 2026 23:57:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.253718
- Title: Training single-electron and single-photon stochastic physical neural networks
- Title（参考訳）: 単一電子および単光子確率的物理ニューラルネットワークの訓練
- Authors: Tong Dou, Shiro Kumara, Josh Burns, Ethan Sigler, Parth Girdhar, David Petty, Gerard Milburn, Jo Plested, Matt Woolley,
- Abstract要約: ひとつは物理ニューラルネットワーク(PNN)で、学習と推論は物理プロセスを介して直接実行される。
PNNは、活性化スイッチのダイナミクスによって下層のニューロンが実現されるときに生じる。
実験的な出力を後方通過で使用すると、ネットワークは97%以上のテスト精度を達成し、1層あたりの試行数が少ないことを示す。
- 参考スコア（独自算出の注目度）: 0.48757691171453793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The computational demands of deep learning motivate the investigation of alternative approaches to computation. One alternative is physical neural networks~(PNNs), in which learning and inference are performed directly via physical processes. Stochastic PNNs arise when the underlying neurons are realized by the dynamics of a stochastic activation switch. Here we propose novel electronic and photonic stochastic neurons. The electronic realization is implemented by single-electron tunneling through a quantum dot. The photonic realization is implemented via a single-photon source driving one of two modes coupled via a controllable beam-splitter-like interaction. In the electronic case, the charge state of the quantum dot forms the basis for the stochastic neuron, whereas in the photonic case the occupation of the undriven mode serves as the basis for the stochastic neuron. Training of stochastic PNNs is performed with models of stochastic neurons, as well as with coherently-driven, single-photon detector stochastic neurons previously introduced. Several training strategies for MNIST handwritten digit classification have been investigated using single-hidden-layer stochastic PNNs, including varying the number of trials in each layer to control forward pass stochasticity and employing either true probability or empirical outputs in the backward pass to evaluate their influence on gradient estimation. We show that when empirical outputs are used in the backward pass, the network achieves more than 97\% test accuracy with few trials per layer. Despite the simplicity of the model architecture, high test accuracy is maintained in the presence of a high degree of noise and model uncertainty. The results demonstrate the potential of embracing stochastic PNNs for deep learning.
- Abstract（参考訳）: ディープラーニングの計算要求は、計算への代替アプローチの研究を動機付けている。
ひとつは物理ニューラルネットワーク~(PNN)で、学習と推論は物理プロセスを介して直接実行される。
確率的PNNは、確率的アクティベーションスイッチのダイナミクスによって基礎となるニューロンが実現されたときに生じる。
ここでは、新しい電子及びフォトニック確率ニューロンを提案する。
電子化は量子ドットを通して単一電子トンネルによって実現される。
フォトニック化は、制御可能なビーム・スプリッター様相互作用を介して結合された2つのモードのうちの1つを駆動する単一光子源を介して実装される。
電子の場合、量子ドットの電荷状態は確率ニューロンの基礎を形成するが、フォトニックの場合、非駆動モードの占有は確率ニューロンの基礎となる。
確率的PNNの訓練は、前もって導入されたコヒーレント駆動単光子検出確率ニューロンとともに、確率的ニューロンのモデルを用いて行われる。
MNIST手書き桁分類のトレーニング戦略は,各層における前方通過確率を制御するための試行数の変化や,後方通過における真の確率あるいは経験的出力を用いて勾配推定への影響を評価することを含む,一層型確率論的PNNを用いて検討されている。
実験的な出力を後方通過で使用すると、ネットワークは97 %以上のテスト精度を達成し、1層あたりの試行数が少ないことを示す。
モデルアーキテクチャの単純さにもかかわらず、高いノイズとモデルの不確実性の存在下で高いテスト精度が維持される。
その結果,確率的PNNを深層学習に適用する可能性が示された。
関連論文リスト
- Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。
既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。
本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
論文 参考訳（メタデータ） (2025-07-22T18:20:56Z) - Experiment on creating a neural network with weights determined by the potential of a simulated electrostatic field [0.0]
本稿では,そのポテンシャルを用いてニューラルネットワークの重みとしきい値を決定する可能性について検討する。
静電場はBuilder C++環境でシミュレートされる。
結果のニューラルネットワークの有効性は、MNISTテストデータセットを用いて評価される。
論文 参考訳（メタデータ） (2025-06-26T14:26:38Z) - Non-binary artificial neuron with phase variation implemented on a quantum computer [0.0]
複素数の位相を操作するバイナリモデルを一般化するアルゴリズムを導入する。
量子コンピュータにおける連続的な値を扱うニューロンモデルを提案し,検証し,実装する。
論文 参考訳（メタデータ） (2024-10-30T18:18:53Z) - Quantum-limited stochastic optical neural networks operating at a few quanta per activation [6.12660587056967]
計算におけるエネルギー効率は最終的にノイズによって制限され、量子制限は基本的なノイズフロアを設定する。
我々は、各ニューロンを1つの光子で活性化できる限界において、最後の層を除くすべての層が作動する光学ニューラルネットワークについて研究する。
トレーニングにおけるニューロン活性化の物理モデルを用いて、極めて高いショットノイズにもかかわらず、正確な機械学習推論を行うことができることを示す。
論文 参考訳（メタデータ） (2023-07-28T17:59:46Z) - 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) - SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural
Networks [56.35403810762512]
イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。
本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
論文 参考訳（メタデータ） (2023-02-01T04:22:59Z) - Toward Physically Realizable Quantum Neural Networks [15.018259942339446]
量子ニューラルネットワーク(QNN)の現在のソリューションは、スケーラビリティに関する課題を提起している。
QNNの指数的状態空間は、トレーニング手順のスケーラビリティに課題をもたらす。
本稿では量子パーセプトロンの転送関数の帯域制限フーリエ展開に依存するQNNの新しいモデルを提案する。
論文 参考訳（メタデータ） (2022-03-22T23:03:32Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z) - Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。
トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。
しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文 参考訳（メタデータ） (2020-02-22T22:12:56Z)
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。