論文の概要: Interpretable rule-based learning in an autonomous thermodynamic network
- arxiv url: http://arxiv.org/abs/2606.26220v1
- Date: Wed, 24 Jun 2026 18:00:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.03476
- Title: Interpretable rule-based learning in an autonomous thermodynamic network
- Title（参考訳）: 自律型熱力学ネットワークにおける解釈可能なルールベース学習
- Abstract要約: 我々は熱力学ニューロンに基づく自律的、解釈可能な学習アーキテクチャを開発する。
我々の結果は、正確で解釈可能な学習が自律力学から生まれることを浮き彫りにしている。
- 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: Machine learning is typically described in terms of deterministic logical operations, whereas physical systems generally operate in the presence of noise, dissipation and irreversibility. Here, we turn these physical effects into computational resources for an autonomous, interpretable learning architecture. We develop a classifier based on thermodynamic neurons, which are autonomous quantum thermal machines that implement logical operations through heat flow, and use these to construct a stochastic version of the Tsetlin machine, an interpretable rule-based learning architecture. By combining thermodynamic AND, NOT and OR gates with an autonomous coupling mechanism, we realise a learning system whose computation unfolds without the need for external time-dependent control. Despite its noisy components, the resulting classifier achieves classification accuracy that is statistically comparable to that of the standard Tsetlin machine. Reliability arises from architectural mechanisms such as thresholding and redundancy, rather than exact logical operations. Our results highlight that accurate and interpretable learning can emerge from autonomous stochastic dynamics, and establish thermodynamic computation as a viable framework for physical machine learning.
- Abstract（参考訳）: 機械学習は通常、決定論的論理的操作の観点で記述されるが、物理的システムは一般的にノイズ、散逸、不可逆性の存在下で機能する。
ここでは、これらの物理効果を、自律的で解釈可能な学習アーキテクチャのための計算資源に変換する。
本研究では,熱流による論理演算を実装する自律量子熱機械である熱力学ニューロンに基づく分類器を開発し,これを応用して,解釈可能なルールベース学習アーキテクチャであるTsetlinマシンの確率的バージョンを構築する。
熱力学 AND, NOT, ORゲートと自己結合機構を組み合わせることで,外部時間依存制御を必要とせずに計算が展開する学習システムを実現する。
雑音成分にもかかわらず、結果として得られる分類器は標準のTsetlinマシンと統計的に同等の分類精度を達成する。
信頼性は、正確な論理演算ではなく、しきい値や冗長性のようなアーキテクチャメカニズムから生じる。
この結果から,自律確率力学から正確かつ解釈可能な学習が出現し,物理機械学習の枠組みとして熱力学計算が確立できることが示唆された。
関連論文リスト
- Differentiable Thermodynamic Phase-Equilibria for Machine Learning [39.691553958657764]
DISCOMAXは相平衡計算のための微分可能なアルゴリズムであり、トレーニングと推論の両方で熱力学的整合性を保証する。
本研究では,二成分液平衡データに対するアプローチを評価し,既存のサロゲート法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-03-11T19:14:04Z) - Simulation-free Structure Learning for Stochastic Dynamics [39.468930729022546]
本研究では,物理系の構造と人口動態を共同で学習するための,新しいシミュレーション不要な手法であるStructureFlowを提案する。
本研究では,StructureFlowが,条件付き人口動態を同時にモデル化しながら,基礎となるシステムの構造を学習可能であることを示す。
論文 参考訳（メタデータ） (2025-10-18T22:31:39Z) - Training thermodynamic computers by gradient descent [0.0]
所望の計算を行うために,熱力学コンピュータのパラメータを降下によって調整する方法を示す。
我々は、デジタルおよび熱力学的実装のエネルギーコストの比率である熱力学的優位性を7桁を超えると見積もる。
論文 参考訳（メタデータ） (2025-09-18T18:12:55Z) - Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。
これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。
本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
論文 参考訳（メタデータ） (2025-08-08T22:43:17Z) - Scaling Laws and Representation Learning in Simple Hierarchical Languages: Transformers vs. Convolutional Architectures [49.19753720526998]
合成データセット上でのニューラルネットワーク性能に関する理論的スケーリング法則を導出する。
局所性と重み共有によって生成過程の構造が整った畳み込みネットワークは、性能の高速化を享受できることを示す。
この発見は、ニューラルネットワークのスケーリング法則に基づくアーキテクチャ上のバイアスを明らかにし、モデルアーキテクチャとデータの統計的性質の間の相互作用によって表現学習がどのように形成されるかを強調している。
論文 参考訳（メタデータ） (2025-05-11T17:44:14Z) - Physics-informed features in supervised machine learning [0.0]
監視された機械学習は、限られた特徴と対応するラベルのデータセットから未知の機能関係を近似する。
本研究では,物理法則や次元解析から得られる非線形特徴写像を構成する特徴ベース機械学習への物理インフォームドアプローチを提案する。
論文 参考訳（メタデータ） (2025-04-23T21:45:49Z) - Discret2Di -- Deep Learning based Discretization for Model-based
Diagnosis [48.252498836623154]
一貫性に基づく診断は、技術的応用を診断するための確立されたアプローチであるが、かなりのモデリング努力に悩まされている。
本稿では,一貫性に基づく診断のための論理式の自動学習手法としてDiscret2Diを提案する。
提示されたソリューションは、時系列と記号領域の両方からの機械学習を組み合わせて、一貫性に基づく診断のための論理規則の学習を自動化する。
論文 参考訳（メタデータ） (2023-11-06T09:17:57Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳（メタデータ） (2023-01-31T19:04:28Z) - Privacy-preserving machine learning with tensor networks [37.01494003138908]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳（メタデータ） (2022-02-24T19:04:35Z) - Thermodynamic Machine Learning through Maximum Work Production [0.0]
本稿では, 適応型物理エージェントにおいて, 作業生産が最も重要な性能指標であるという熱力学の原理を紹介する。
与えられた環境データに対する最大作業エージェントの選択は、最大作業員モデルを見つけることと一致していることを示す。
このようにして、適応的な熱力学系における学習の基盤となる組織原理として研究が生まれる。
論文 参考訳（メタデータ） (2020-06-27T17:57:24Z) - Watch and learn -- a generalized approach for transferrable learning in
deep neural networks via physical principles [0.0]
本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。
逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
論文 参考訳（メタデータ） (2020-03-03T18:37:23Z)
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。