論文の概要: phys-MCP: A Control Plane for Heterogeneous Physical Neural Networks
- arxiv url: http://arxiv.org/abs/2605.04256v1
- Date: Tue, 05 May 2026 19:48:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.521103
- Title: phys-MCP: A Control Plane for Heterogeneous Physical Neural Networks
- Title（参考訳）: phys-MCP:不均一物理ニューラルネットワークの制御プレーン
- Authors: Stefan Fischer, Maliheh Hariri, Sebastian Otte,
- Abstract要約: 物理ニューラルネットワークは計算を直接材料力学に埋め込む。
エッジコンピューティング、特に極端エッジでは魅力的です。
本稿では,PNNの基板認識アーキテクチャであるphys-MCPについて述べる。
- 参考スコア（独自算出の注目度）: 1.8250157298114644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical neural networks (PNNs) embed computation directly in material dynamics, including molecular, chemical, biological, photonic, memristive, and mechanical substrates. They are attractive for edge computing, especially at the extreme edge, where computation can be placed at the interface to sensing, actuation, or the physical process itself. However, PNNs are difficult to integrate into edge-cloud software stacks because each substrate exposes distinct interfaces, timing behavior, observability limits, and lifecycle requirements. This paper argues that the missing systems component is a common control plane for heterogeneous PNNs. We present phys-MCP, a substrate-aware orchestration architecture that exposes physical neural substrates as discoverable and invocable resources for edge, fog, and cloud workflows, while preserving their possible placement at the extreme edge. phys-MCP defines a capability model, lifecycle semantics, telemetry interfaces, and digital-twin bindings that retain substrate-specific properties such as latency, resetability, plasticity, and I/O modality. We instantiate the architecture through a prototype with three representative backend classes, an HTTP-backed execution path, and an integrated Cortical Labs adapter exposing a wetware-facing API path through the same control model. The evaluation combines controlled experiments on representative backends with end-to-end validation of the Cortical Labs path. Results show descriptor-portable integration across heterogeneous backends, improved runtime-aware matching over simpler baselines, telemetry-aware recovery under representative faults, successful execution against the API-backed wetware path, and small local control-path overhead. Overall, results provide prototype-level evidence that substrate-aware control can span heterogeneous physical AI resources, twin-backed backends, and a wetware-facing API path.
- Abstract（参考訳）: 物理ニューラルネットワーク(PNN)は、分子、化学、生物、フォトニック、メムリシティブ、メカニカル基板などの物質力学に直接計算を組み込む。
エッジコンピューティング、特に極端エッジでは、センサー、アクティベーション、物理プロセス自体のインターフェイスに計算を配置することができる。
しかしながら、PNNは、各基板が異なるインターフェース、タイミングの振る舞い、可観測性制限、ライフサイクル要件を公開しているため、エッジクラウドソフトウェアスタックに統合することは困難である。
本稿では,不均質PNNの共通制御平面であるシステム成分について論じる。
我々は、エッジ、フォグ、クラウドワークフローのための物理的ニューラルネットワークを発見および起動可能なリソースとして公開し、極端のエッジに配置することを可能にする、基板対応オーケストレーションアーキテクチャであるphys-MCPを提案する。
phys-MCPは機能モデル、ライフサイクルセマンティクス、テレメトリインタフェース、および遅延、リセット性、可塑性、I/Oモダリティなどの基板固有の特性を保持するデジタルツインバインディングを定義する。
3つの代表的なバックエンドクラス、HTTPベースの実行パス、同じコントロールモデルを通じてウェットウェア対応のAPIパスを公開するCortical Labsアダプタを備えたプロトタイプを通じてアーキテクチャをインスタンス化する。
この評価は、代表的なバックエンド上での制御された実験と、Cortical Labsパスのエンドツーエンドの検証を組み合わせたものだ。
その結果、ヘテロジニアスバックエンド間でのディスクリプタ対応の統合、シンプルなベースラインでのランタイム対応マッチングの改善、代表的障害下でのテレメトリ対応のリカバリ、APIベースのウェットウェアパスに対する実行の成功、ローカルコントロールパスのオーバーヘッドの最小化などが示されている。
全体として、結果は、基板認識制御が異質な物理AIリソース、ツインバックバックエンド、ウェットウェア対応のAPIパスにまたがる可能性があるというプロトタイプレベルの証拠を提供する。
関連論文リスト
- Beyond Silicon: Materials, Mechanisms, and Methods for Physical Neural Computing [5.969311023803652]
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。
論文 参考訳（メタデータ） (2026-04-10T19:04:31Z) - OpenPRC: A Unified Open-Source Framework for Physics-to-Task Evaluation in Physical Reservoir Computing [0.23090185577016445]
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。
論文 参考訳（メタデータ） (2026-04-08T16:17:37Z) - AI-assisted Human-in-the-Loop Web Platform for Structural Characterization in Hard drive design [0.6055934915901143]
デバイス特徴化のための可変型ヒューマンAI支援ワークフローフレームワークを提案する。
このシステムは、勾配に基づくピーク検出と対話的な修正モジュールを統合している。
TEM/EMDファイルを直接処理し、ノイズ低減とインタフェース追跡アルゴリズムを適用し、統計粗さと厚さのメトリクスをナノメートル精度で出力する。
論文 参考訳（メタデータ） (2026-04-01T01:13:09Z) - A Platform-Agnostic Multimodal Digital Human Modelling Framework: Neurophysiological Sensing in Game-Based Interaction [2.835421685630534]
本稿では,AI対応マルチモーダルインタラクション研究を支援するプラットフォームに依存しないDHMフレームワークを提案する。
このフレームワークはOpenBCI Galeaヘッドセットを統合マルチモーダルセンシング層として統合している。
AIモデルや行動推論を組み込むのではなく、生理的信号は構造化され、時間的に整った観測可能なものとして表現される。
論文 参考訳（メタデータ） (2026-03-11T11:45:17Z) - 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) - RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。
我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。
さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
論文 参考訳（メタデータ） (2025-08-06T08:19:37Z) - Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control [1.9343033692333778]
物理インフォームドニューラルネットワーク(PINN)は、物理法則をデータ駆動モデルと統合し、一般化とサンプル効率を改善する。
本研究は,水中車両の力学をモデル化するために設計された物理情報ニューラルネットワーク制御フレームワークのオープンソース実装を紹介する。
論文 参考訳（メタデータ） (2025-04-28T17:38:57Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳（メタデータ） (2021-11-23T18:57:11Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。