論文の概要: Thermodynamic Networks: Harnessing Non-Equilibrium Steady States for Computation

• arxiv url: http://arxiv.org/abs/2605.15985v1
• Date: Fri, 15 May 2026 14:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.312897
• Title: Thermodynamic Networks: Harnessing Non-Equilibrium Steady States for Computation
• Title（参考訳）: 熱力学ネットワーク:計算のための非平衡定常状態のハーネス化
• Authors: Patryk Lipka-Bartosik, Gianmichele Blasi, Javier Lalueza Puértolas, Géraldine Haack, Martí Perarnau-Llobet, Nicolas Brunner,
• Abstract要約: 熱力学ネットワークは、自律的、物理学に基づく計算の一般的なフレームワークである。 負微分コンダクタンス(負微分コンダクタンス、負微分コンダクタンス、負微分コンダクタンス、負微分コンダクタンス、負微分コンダクタンス)は、ネットワークの計算表現性を管理する重要な物理特性である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce thermodynamic networks, a general framework for autonomous, physics-based computation using non-equilibrium steady states. These networks are modeled as a collection of finite-size reservoirs that exchange conserved quantities--such as electric charge or molecular number--while relaxing to a non-equilibrium steady state, which encodes the solution of a computational problem. We identify Negative Differential Conductance (NDC) as the critical physical property governing the computational expressivity of the thermodynamic network. While networks lacking NDC are restricted to computing monotonic functions, the presence of NDC enables universal function approximation. For the training of the network, we use protocols that take advantage of the natural tendency of the system to equilibrate. We illustrate the versatility of our approach via two different platforms: quantum dot networks and enzymatic reaction networks. Both systems can be engineered to have NDC, enabling high performance in standard benchmarks, including sine function approximation and MNIST digit classification. Overall, our work establishes a rigorous link between non-equilibrium steady states and computational expressivity.
• Abstract（参考訳）: 非平衡定常状態を用いた自律型物理計算の一般的なフレームワークである熱力学ネットワークを導入する。 これらのネットワークは、保存量(電荷や分子数など)を交換する有限サイズの貯水池の集合としてモデル化され、非平衡定常状態に緩和し、計算問題の解を符号化する。 熱力学ネットワークの計算表現性を管理する重要な物理特性として負微分コンダクタンス(NDC)を同定する。 NDCを欠いたネットワークは単調関数の計算に制限されるが、NDCの存在は普遍関数近似を可能にする。 ネットワークのトレーニングには,システムの自然な傾向を利用して均衡するプロトコルを用いる。 量子ドットネットワークと酵素反応ネットワークという,2つの異なるプラットフォームによるアプローチの汎用性について説明する。 どちらのシステムもNDCを持つように設計することができ、正弦関数近似やMNIST桁分類などの標準ベンチマークで高い性能を実現することができる。 全体として、我々の研究は非平衡定常状態と計算表現性との厳密な関係を確立している。

関連論文リスト

• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Hebbian Physics Networks: A Self-Organizing Computational Architecture Based on Local Physical Laws [1.0533738606966752]
  Hebbian Physics Network (HPN) は、自然保護法に違反したローカルなHebbianの更新から学習が生まれる、自己組織化された計算フレームワークである。 本研究では,非圧縮性流体流と連続体拡散の計算において,物理的に一貫した構造が無監督でランダムな初期状態から出現することを示す。
  論文  参考訳（メタデータ） (2025-07-01T10:34:14Z)
• Open-systems tools for non-thermalizing closed quantum systems [0.0]
  非平衡定常状態を生成する制約付き対称量子回路力学について検討する。 各ネットワークは、位相共変ダイナミクスで進化する量子ビットの集合であるオープンシステムの集合として記述することができる。 定常状態と等質定常状態との距離を定量化し、それらの相互情報ネットワークの複雑さを用いてそれらをさらに特徴付ける。
  論文  参考訳（メタデータ） (2025-04-30T18:38:08Z)
• Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems [16.805431852365917]
  Dynami-CAL GraphNetは、複雑な多体力学系の正確、解釈可能、リアルタイムモデリングを提供する。 基本的な保存法則に従う物理的に一貫性があり、スケーラブルな予測を提供する。 これは、異種相互作用と外部力の効率よく処理しながら、力とモーメントの推測を可能にする。
  論文  参考訳（メタデータ） (2025-01-13T14:41:56Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Efficient variational contraction of two-dimensional tensor networks with a non-trivial unit cell [0.0]
  テンソルネットワーク状態は、強い相関の量子モデルとシステムを忠実にキャプチャする効率的な状態のクラスを提供する。 我々は最近提案された一次元量子格子をキャプチャするための変分行列積状態アルゴリズムを一般化する。 このアルゴリズムの重要な性質は、単位セルのサイズを指数的にではなく線形にスケールする計算努力である。
  論文  参考訳（メタデータ） (2020-03-02T19:01:06Z)

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。