論文の概要: Perturbative Contrastive Physical Learning

• arxiv url: http://arxiv.org/abs/2606.09756v1
• Date: Mon, 08 Jun 2026 17:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.587145
• Title: Perturbative Contrastive Physical Learning
• Title（参考訳）: 摂動的コントラスト物理学習
• Authors: Kyungeun Kim, Amanuel Anteneh, Israel Klich, Olivier Pfister, J. M. Schwarz,
• Abstract要約: 摂動コントラスト物理学習(PCPL)は、物理的状態間の測定可能なコントラストから学習が出現する一般的な枠組みである。 我々はPCPLが局所的な感度や大域的逆プロブレム構造を反映できるが、集中的な勾配計算を必要としないことを示した。 我々は, (i) 測定された変位と力を用いて接着剛性を更新するスプリングネットワーク, (ii) クアッドX線測定により訓練された連続可変フォトニック回路, およびジャコビアンの有限差分推定の2つのプラットフォームでPCPLを実証する。
• 参考スコア（独自算出の注目度）: 1.3831855739681835
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Responses to perturbations are key to understanding physical systems. The ability to contrast such responses by comparing how a system reacts under slightly different conditions provides a mechanism for learning. Here, we introduce Perturbative Contrastive Physical Learning (PCPL), a general framework in which learning emerges from measurable contrasts between physical states produced by controlled changes to inputs, boundary conditions, parameters, or interpreter functions. PCPL unifies and extends prior approaches: Equilibrium Propagation is rooted in contrasts between free and nudged equilibria in energy-based systems, while Frequency Propagation corresponds to contrasts extracted from sinusoidally driven, frequency-demodulated responses. We show that contrast-driven updates can reflect either local sensitivities or global inverse-problem structure, yet do not require centralized gradient computation. Instead, effective learning geometry emerges implicitly from the system's own physical response, allowing learning behavior to arise without an external processor or explicit backpropagation. We demonstrate PCPL in two platforms: (i) spring networks that update bond stiffness using measured displacements and forces, and (ii) continuous-variable photonic circuits trained via x quadrature measurements and finite-difference estimates of the Jacobian. Both platforms successfully learn classification tasks. We further show that a continuous-variable photonic circuit can be trained to implement analog multiplication, illustrating a step toward more autonomous physical learning systems.
• Abstract（参考訳）: 摂動に対する反応は物理的システムを理解するための鍵となる。 システムがわずかに異なる条件下でどのように反応するかを比較することで、このような反応を対比する能力は、学習のメカニズムを提供する。 本稿では、入力、境界条件、パラメータ、インタプリタ関数に対する制御された変化によって生成された物理状態間の可測コントラストから学習が出現する一般的なフレームワークである、摂動コントラスト物理学習(PCPL)を紹介する。 PCPLは以前のアプローチを統一し拡張する: 平衡伝播はエネルギー系における自由平衡とnudged平衡の対比に根ざしているが、周波数伝播は正弦波駆動の周波数変調応答から抽出されたコントラストに対応する。 コントラスト駆動更新は局所的な感度や大域的な逆プロブレム構造を反映できるが、集中的な勾配計算を必要としないことを示す。 代わりに、効果的な学習幾何学はシステム自身の物理応答から暗黙的に現れ、外部プロセッサや明示的なバックプロパゲーションなしで学習行動が生じる。 我々は2つのプラットフォームでPCPLを実証する。 一 測定した変位力を用いて接着硬度を更新するばね網及び (II) ヤコビアンのx次数測定と有限差分推定によって訓練された連続可変フォトニック回路。 どちらのプラットフォームも、分類タスクをうまく学べる。 さらに、アナログ乗算を実装するために連続可変フォトニック回路を訓練できることが示され、より自律的な物理学習システムへの一歩が示される。

関連論文リスト

• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
  動的非線形系は静的および動的効果の結合による歪みを示す。 本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-08T12:08:02Z)
• Towards Understanding How Transformers Learn In-context Through a Representation Learning Lens [9.590540796223715]
  本稿では,表現学習のレンズを用いて,トランスフォーマーにおける文脈内学習プロセスについて検討する。 注目層のICL推論プロセスは、その2重モデルのトレーニング手順と整合し、トークン表現予測を生成する。 理論的結論は、1つのトランスフォーマー層と複数の注意層を含む、より複雑なシナリオにまで拡張します。
  論文  参考訳（メタデータ） (2023-10-20T01:55:34Z)
• Emergent learning in physical systems as feedback-based aging in a glassy landscape [0.0]
  学習力学は,フィードバック境界力の繰り返し適用に応答してシステムを緩和する老化過程に類似していることが示される。 また、エポック関数としての平均二乗誤差の平方根が、ガラス系の典型的な特徴である非指数形式をとることも観察する。
  論文  参考訳（メタデータ） (2023-09-08T15:24:55Z)
• 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)
• 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)
• Composable Learning with Sparse Kernel Representations [110.19179439773578]
  再生カーネルヒルベルト空間におけるスパース非パラメトリック制御系を学習するための強化学習アルゴリズムを提案する。 正規化アドバンテージ関数を通じてステートアクション関数の構造を付与することにより、このアプローチのサンプル複雑さを改善します。 2次元環境下を走行しながらレーザースキャナーを搭載したロボットの複数シミュレーションにおける障害物回避政策の学習に関するアルゴリズムの性能を実証する。
  論文  参考訳（メタデータ） (2021-03-26T13:58:23Z)
• Strictly Batch Imitation Learning by Energy-based Distribution Matching [104.33286163090179]
  すなわち、強化信号へのアクセスがなく、遷移力学の知識がなく、環境とのさらなる相互作用もない。 1つの解決策は、既存のアルゴリズムをオフライン環境で動作させるために、見習いの学習に適合させることである。 しかし、このようなアプローチは、政治外の評価やオフラインモデルの推定に大きく依存しており、間接的で非効率である可能性がある。 優れたソリューションは、ポリシーを明示的にパラメータ化し、ロールアウトダイナミクスから暗黙的に学習し、完全にオフラインで運用できるべきだ、と私たちは主張する。
  論文  参考訳（メタデータ） (2020-06-25T03:27:59Z)

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。