論文の概要: The Whale That Outswam Evolution: Swarm Intelligence Maximises Memory in Connectome Reservoirs

• arxiv url: http://arxiv.org/abs/2606.09902v1
• Date: Fri, 05 Jun 2026 13:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.033666
• Title: The Whale That Outswam Evolution: Swarm Intelligence Maximises Memory in Connectome Reservoirs
• Title（参考訳）: ワーム・インテリジェンス(Swarm Intelligence)がコネクトーム貯水池の記憶を最大化
• Authors: Anmol Guragain, Savvas Kakalis, Juan Ignacio Godino-Llorente,
• Abstract要約: 貯留層計算は、時間的処理のためにリカレントネットワークの固定されたダイナミクスを利用しており、訓練された線形読み出ししか必要としない。 我々は6種にわたるコネクトームベースのエコー状態ネットワークのエッジ重みに4つの勾配のないバイオインスパイアされたオプティマイザを適用した。 各コネクトームは、メモリ容量、ローレンツ引力予測、NARMA-10システム識別、マッキーグラスカオス時系列予測の4つの標準貯水池計算ベンチマークで評価される。 4つのオプティマイザは、生物の重量から初期化されると、すべてのタスクや種において、最適化されていない生物学的ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.19116784879310025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reservoir computing exploits the fixed dynamics of a recurrent network for temporal processing, requiring only a trained linear readout. Biological neural connectomes, shaped by millions of years of evolution, may encode computational structure beyond what random reservoirs provide, yet whether that structure can be further enhanced by principled optimisation remains an open question. We address it by applying four gradient-free, bio-inspired optimisers (Particle Swarm Optimisation, Differential Evolution, Grey Wolf Optimiser, and Whale Optimisation Algorithm) to the edge weights of connectome-based echo-state networks across six species spanning six orders of magnitude in neural complexity: C. elegans (279 neurons), Drosophila (49 nodes), mouse (112), rat (73), macaque (29 regions, continuous FLNe synaptic strengths), and human structural MRI connectivity (83 parcels). Each connectome is evaluated on four canonical reservoir computing benchmarks: Memory Capacity (MC), Lorenz attractor prediction, NARMA-10 system identification, and Mackey-Glass chaotic time-series prediction. All four optimisers consistently outperform unoptimised biological baselines across every task and species when initialised from biological weights. WOA achieves the largest gains on every task: up to a 17x MC improvement (C. elegans: 1.39 to 23.91) and up to 89% NRMSE reduction (Mackey-Glass, human), corresponding to an average 214% improvement across all species and tasks. Crucially, random initialisation on the same topology reliably underperforms biology, establishing biological weight values as an essential inductive bias that topology alone cannot recover. These results position bio-inspired, biologically-initialised optimisation as a principled and broadly effective strategy for connectome reservoir computing across the animal kingdom.
• Abstract（参考訳）: 貯留層計算は、時間的処理のためにリカレントネットワークの固定されたダイナミクスを利用しており、訓練された線形読み出ししか必要としない。 数百万年にわたる進化によって形成された生物学的神経コネクトームは、ランダムな貯水池が提供するもの以上の計算構造を符号化するが、その構造が原理化された最適化によってさらに強化されるかどうかは未解決のままである。 C. elegans (279 ニューロン), Drosophila (49 ノード), mouse (112), rat (73), macaque (29 領域, FLNe シナプス強度), and human structure MRI connection (83 parcels) の6種にわたるコネクトームベースのエコー状態ネットワークのエッジウェイトに, 勾配のないバイオインスピレーションオプティマイザ(Particle Swarm Optimisation, Differential Evolution, Grey Wolf Optimiser, Whale Optimisation Algorithm)を適用した。 各コネクトームは、メモリ容量(MC)、ローレンツ引力予測、NARMA-10システム識別、マッキーグラスカオス時系列予測の4つの標準貯水池計算ベンチマークで評価される。 4つのオプティマイザは、生物の重量から初期化されると、すべてのタスクや種において、最適化されていない生物学的ベースラインを一貫して上回っている。 WOAは最大17倍のMC改善(C. elegans: 1.39から23.91)と最大89%のNAMSE削減(Mackey-Glass、人間)を達成し、すべての種やタスクの平均214%の改善に対応する。 重要なことに、同じトポロジ上のランダムな初期化は生物学を確実に過小評価し、トポロジだけでは回復できない本質的な帰納バイアスとして生物学的重み値を確立する。 これらの結果は,動物王国におけるコネクトーム貯水池コンピューティングの原則的かつ広範に有効な戦略として,生物にインスパイアされ,生物学的に開始された最適化を位置づけている。

関連論文リスト

• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• Evolving Deep Learning Optimizers [0.0]
  本稿では,ディープラーニング最適化アルゴリズムの発見のための遺伝的アルゴリズムフレームワークを提案する。 我々のアプローチは、プリミティブ更新項の組み合わせを指定するゲノムを符号化する。 アダムを2.6%上回る進化が見られた。
  論文  参考訳（メタデータ） (2025-12-05T01:30:07Z)
• Unsupervised Evolutionary Cell Type Matching via Entropy-Minimized Optimal Transport [0.8361990291694322]
  本稿では,エントロピー規則化された最適輸送(OT)を利用した非教師型計算フレームワークOT-MESHについて述べる。 OT-MESHは、ノイズに対する顕著な堅牢性を保ちながら、計算効率とほぼ最適マッチング精度を達成する。 我々のフレームワークは、進化的細胞型マッピングのための原則付き、スケーラブルで、解釈可能なソリューションを提供し、種間での細胞の特殊化と保存に関する深い洞察を促進する。
  論文  参考訳（メタデータ） (2025-05-30T16:20:00Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Complexity-based speciation and genotype representation for neuroevolution [81.21462458089142]
  本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。 提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
  論文  参考訳（メタデータ） (2020-10-11T06:26:56Z)

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。