論文の概要: Reconfigurable Nonlinear Photonic Networks for In-Situ Learning and Memory Formation via Driven-Dissipative Dynamics

• arxiv url: http://arxiv.org/abs/2605.19911v1
• Date: Tue, 19 May 2026 14:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.403055
• Title: Reconfigurable Nonlinear Photonic Networks for In-Situ Learning and Memory Formation via Driven-Dissipative Dynamics
• Title（参考訳）: 駆動散逸ダイナミクスによるその場学習と記憶形成のための再構成可能な非線形フォトニックネットワーク
• Authors: Isaac Yorke,
• Abstract要約: フォトニックニューロモルフィックコンピューティングは、従来のフォン・ノイマンアーキテクチャの限界を克服するための有望な経路を提供する。 本稿では,駆動散逸ダイナミクスから直接記憶と学習が現れる物理基盤型ニューロモルフィック・フレームワークを提案する。
• 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: Photonic neuromorphic computing offers a promising route to overcoming the limitations of conventional von Neumann architectures by exploiting the high bandwidth, low latency, and massive parallelism of optical systems. However, most existing implementations rely on fixed dynamical substrates such as classic reservoir computing, where learning is restricted to external readout layers and memory is limited to transient fading effects. In this work, I propose a Reconfigurable Nonlinear Photonic Decision Network (RNPDN), a physically grounded neuromorphic framework in which computation, memory, and learning emerge directly from driven-dissipative dynamics. Through numerical simulations, I demonstrate the simultaneous realization of key properties: local physical learning rules enabling adaptive state evolution, a tunable stability-plasticity tradeoff governed by decay and hysteresis mechanisms, controlled memory formation and erasure via bistable photonic states, fading memory, in-situ learning, and hardware-faithful nonlinear dynamics incorporating saturation and dissipation. In contrast to conventional approaches, the proposed system enables intrinsic adaptation within the physical layer while supporting both transient and persistent memory. These results establish a unified framework for adaptive photonic information processing and provide a pathway toward scalable and energy-efficient neuromorphic photonic hardware.
• Abstract（参考訳）: フォトニックニューロモルフィックコンピューティングは、光学系の高帯域幅、低レイテンシ、大規模並列性を利用して、従来のフォン・ノイマンアーキテクチャの限界を克服するための有望な経路を提供する。 しかし、既存の実装の多くは、古典的な貯水池計算のような固定された動的基板に依存しており、学習は外部の読み出し層に制限され、記憶は過渡的なフェード効果に制限されている。 本研究では, 計算, メモリ, 学習を駆動散逸ダイナミクスから直接行う物理基盤型ニューロモルフィックフレームワークであるReconfigurable nonlinear Photonic Decision Network (RNPDN)を提案する。 適応状態の進化を可能にする局所的な物理学習規則, 崩壊とヒステリシス機構によって支配される可変安定性・塑性トレードオフ, 双安定フォトニック状態による記憶形成と消去の制御, フェージングメモリ, その場学習, 飽和と散逸を取り入れたハードウェアに忠実な非線形ダイナミクス。 従来の手法とは対照的に,本システムは過渡記憶と永続記憶の両方をサポートしながら,物理層内固有の適応を可能にする。 これらの結果は、適応フォトニック情報処理のための統一的な枠組みを確立し、スケーラブルでエネルギー効率の良いニューロモルフィックフォトニックハードウェアへの経路を提供する。

関連論文リスト

• Optical Neural Networks from Coherent Transient Dynamics in Waveguide QED [0.0]
  光ニューラルネットワークは、光子を直接計算することで超高速で低エネルギーな情報処理を約束する。 本稿では,コヒーレント量子力学により基本ニューロン機能を実現する全光完全連結ニューラルネットワークアーキテクチャを提案する。 全物理シミュレーションは、MNISTと色オブジェクト認識タスクに対して高い分類精度を示す。
  論文  参考訳（メタデータ） (2026-05-18T02:11:34Z)
• 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)
• ReDON: Recurrent Diffractive Optical Neural Processor with Reconfigurable Self-Modulated Nonlinearity [4.488347887618485]
  Recurrent Diffractive Optical Neural Processor (ReDON)を導入する。 大規模言語モデルで使用されるゲート線形単位(GLU)にインスパイアされたReDONは、伝播する光学場の一部を感知し、その位相や強度を軽量パラメトリック関数によって変調する。 画像認識とセグメンテーションのベンチマークでは、ReDONは以前のDONNと比較してテスト精度と平均交叉結合(mIoU)を最大20%改善する。
  論文  参考訳（メタデータ） (2026-02-27T02:49:05Z)
• Physics-Informed Image Restoration via Progressive PDE Integration [11.13952011916121]
  物理インフォームドPDEダイナミクスを最先端の復元アーキテクチャに統合するトレーニングフレームワークを提案する。 提案手法は,大域的空間モデリングを原則として実現しつつ,運動ぼけの方向流特性を自然に把握する。 我々のPDE強化デブロアリングモデルは、最小限のオーバーヘッドで優れた復元品質を実現し、GMACの推測に1%程度しか加えていない。
  論文  参考訳（メタデータ） (2025-11-09T06:10:20Z)
• 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)
• Event-Driven Imaging in Turbid Media: A Confluence of Optoelectronics and Neuromorphic Computation [9.53078750806038]
  密度の高い濁った媒体の光散乱により視界が著しく不明瞭なターゲットの画像を明らかにするために,新しい光学計算法が導入された。 このスキームは人間の視覚にインスパイアされ、タービッド媒質から収集された拡散光子は、網膜のようにダイナミックな視覚センサーで列車に変換される。 画像再構成は、オリジナル画像が人間の目やデジタルビデオカメラに認識できない濁った条件下で達成される。
  論文  参考訳（メタデータ） (2023-09-13T00:38:59Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• 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)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。