論文の概要: Generative Models on Analog Hardware with Dynamics

• arxiv url: http://arxiv.org/abs/2606.27294v1
• Date: Thu, 25 Jun 2026 17:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.374806
• Title: Generative Models on Analog Hardware with Dynamics
• Title（参考訳）: ダイナミクスを用いたアナログハードウェアの生成モデル
• Abstract要約: 現代の生成モデルは柔軟でソフトウェア定義の力学を仮定するが、アナログハードウェアは近似能力に制限のある固定された物理学決定微分方程式を課す。 本稿では,ハードウェア実装可能な動的システムのための統合フレームワークであるAnalog Interaction Systemsを紹介する。 Wasserstein GANトレーニング手順は、特定の軌道に従うことなく、これらのモデルのトレーニングを可能にするために開発されている。
• 参考スコア（独自算出の注目度）: 1.1602089225841632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analog hardware platforms such as coupled oscillators and Analog Ising Machines naturally solve differential equations at a fraction of the energy cost of digital computation, making them attractive for low-power generative modeling, yet a fundamental mismatch exists: modern generative models assume flexible, software-defined dynamics, whereas analog hardware imposes fixed, physics-determined differential equations with limited approximation capacity. This paper introduces Analog Interaction Systems (AIS), a unified framework for hardware-implementable dynamical systems, and empirically characterizes their expressivity gap relative to neural network baselines. Two hardware-compatible mechanisms are proposed to narrow this gap - time-varying piecewise parameters and hidden physical states - and a Wasserstein GAN training procedure is developed to enable training of these models without requiring them to follow a specific trajectory. We characterize how area and power scale with connection density and precision, showing that sparse connectivity and low-bit-width quantized parameters are necessary for practical implementation, and estimate an energy cost of 23uJ per generated image for the chosen architecture, representing a 2-orders-of-magnitude improvement over digital baselines. On MNIST and Fashion-MNIST, our oscillator-based AIS achieves FID scores of 27.6 and 80.8, outperforming the best prior hardware-implementable analog generative models by 3-4x with a 4-bit sparse architecture.
• Abstract（参考訳）: 結合振動子やアナログイジングマシンのようなアナログハードウェアプラットフォームは、デジタル計算のエネルギーコストのごく一部で微分方程式を自然に解き、低消費電力生成モデルには魅力的であるが、基本的なミスマッチが存在する。 本稿では,ハードウェア実装可能な動的システムのための統合フレームワークであるAnalog Interaction Systems (AIS)を紹介し,ニューラルネットワークベースラインに対する表現率ギャップを実証的に特徴付ける。 このギャップを狭めるために、ハードウェア互換の2つのメカニズムが提案され、ワッサーシュタイン GANトレーニング手順は、特定の軌跡に従うことなく、これらのモデルのトレーニングを可能にする。 我々は,接続密度と精度で面積と電力スケールがどの程度の精度で評価され,スパース接続と低ビット幅の量子化パラメータが実用的な実装に必要であることを示すとともに,選択したアーキテクチャに対して生成した画像毎に23uJのエネルギーコストを推定し,デジタルベースラインよりも2桁のマグニチュード改善を示す。 MNISTとFashion-MNISTでは、発振器を用いたAISが27.6と80.8のFIDスコアを達成し、4ビットスパースアーキテクチャの3.4倍のハードウェア実装可能なアナログ生成モデルよりも優れていた。

関連論文リスト

• Unlocking High-Fidelity Analog Joint Source-Channel Coding on Standard Digital Transceivers [54.82164616081277]
  D2AJSCCは、標準デジタルPHY上に高忠実度アナログJ SCCをデプロイできる新しいフレームワークである。 本システムは,SNR条件にまたがる優雅な劣化を伴って,ほぼ理想のアナログJ SCC性能を実現する。 ハードウェア変更なしにレガシーインフラストラクチャ上で次世代のセマンティックトランスミッションを可能にすることで,ネットワークの持続的進化を促進する。
  論文  参考訳（メタデータ） (2026-03-10T01:42:23Z)
• Dense Associative Memories with Analog Circuits [4.0086293309536405]
  DenseAMのためのアナログアクセラレータ構築法を提案する。 アナログDenseAMハードウェアはモデルサイズに依存しない一定時間で推論を行う。 我々は、増幅器仕様によって課される達成可能な時間定数の低い境界を推定し、保守的な既存のアナログ技術でさえ、数十ナノ秒から数百ナノ秒の順序で推論時間を実現できることを示唆した。
  論文  参考訳（メタデータ） (2025-12-17T01:22:44Z)
• Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks [33.83993649730681]
  物理インフォームドハードウェア・アウェアモデルを用いてニューラルネットワークを再トレーニングすることにより、理想的なネットワークモデルの推論精度を完全に回復できることを示す。 これは、アナログニューラルネットワークの忠実性を改善するデフォルトオプションよりも、スケーラビリティと統合密度に有望である。
  論文  参考訳（メタデータ） (2025-12-08T10:11:13Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• Learning High-dimensional Ionic Model Dynamics Using Fourier Neural Operators [0.0]
  フーリエニューラル演算子が高次元のイオン系における状態変数の進化を学習できるかどうかを検討する。 本手法の有効性は,次元が増大する3つのよく確立されたイオンモデルの力学を正確に学習することによって実証する。 制約のあるアーキテクチャも制約のないアーキテクチャも、考慮されたすべてのモデルにまたがる精度で同等の結果を得る。
  論文  参考訳（メタデータ） (2025-05-20T07:37:03Z)
• Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
  物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。 本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。 本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
  論文  参考訳（メタデータ） (2024-11-18T11:58:20Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Towards training digitally-tied analog blocks via hybrid gradient computation [1.800676987432211]
  フィードフォワード型エネルギーベースモデル(ff-EBM)を紹介する。 フィードフォワード部とエネルギーベース部でそれぞれ逆プロパゲーションと「eqプロパゲーション」することで、FF-EBMの勾配をエンドツーエンドに計算する新しいアルゴリズムを導出する。 我々のアプローチは、自己学習可能なアナログ計算プリミティブを既存のデジタルアクセラレータに徐々に統合する、原則的でスケーラブルで漸進的なロードマップを提供する。
  論文  参考訳（メタデータ） (2024-09-05T07:22:19Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)

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。