論文の概要: A Blueprint for Equilibrium-Based Differentiable Continuous-Variable Thermodynamic Computing

• arxiv url: http://arxiv.org/abs/2607.16183v1
• Date: Fri, 17 Jul 2026 17:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.929508
• Title: A Blueprint for Equilibrium-Based Differentiable Continuous-Variable Thermodynamic Computing
• Title（参考訳）: 平衡に基づく微分連続可変熱力学計算のためのブループリント
• Abstract要約: 我々は, 可変エネルギーポテンシャルを持つランゲヴィン力学によってよく説明されるエネルギーベースの熱力学計算に着目する。 物理ハードウェアにおけるそのようなポテンシャルの実装は、基本パラメータ化エネルギーベースモデルから生成およびサンプリングを可能にする。 我々は、これらのハードウェアネイティブなエネルギーベースモデルに基づいて、機械学習モデルの一般的なクラスを構築し、訓練する方法を実証する。
• 参考スコア（独自算出の注目度）: 0.42159389323887214
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To address the escalating energy and latency demands of machine-learning workloads, we introduce a blueprint for an energy-efficient and fast thermodynamic computing stack that leverages stochastic analog processes in physical hardware. In this work, we focus on energy-based thermodynamic computing where the stochastic process is well described by Langevin dynamics with tunable energy potentials. The implementation of such potentials in physical hardware enables us to generate and sample from basic parameterized energy-based models. We demonstrate how to construct and train popular classes of machine learning models based on these hardware-native energy-based models, using the framework of probabilistic graphical models. We analyze the runtime and energy consumption of different models in this thermodynamic paradigm based on theoretical considerations and numerical studies. As a preliminary experimental realization of such hardware, we present our stochastic analog superconducting circuits driven by thermal noise. Together, these results outline a path toward energy-efficient thermodynamic hardware for probabilistic machine learning.
• Abstract（参考訳）: 機械学習ワークロードのエスカレーションエネルギーとレイテンシ要求に対処するために,物理ハードウェアにおける確率的アナログプロセスを活用するエネルギー効率と高速熱力学計算スタックの青写真を導入する。 本研究は, 制御可能なエネルギーポテンシャルを持つランゲヴィン力学により, 確率過程がよく説明されるエネルギーベースの熱力学計算に焦点をあてる。 物理ハードウェアにおけるそのようなポテンシャルの実装は、基本パラメータ化エネルギーベースモデルから生成およびサンプリングを可能にする。 確率的グラフィカルモデルの枠組みを用いて、これらのハードウェアネイティブなエネルギーベースモデルに基づいて、機械学習モデルの一般的なクラスを構築し、訓練する方法を実証する。 理論的考察と数値的研究に基づいて, この熱力学のパラダイムを用いて, 異なるモデルのランタイムとエネルギー消費を分析した。 このようなハードウェアの予備的な実験的実現として,熱雑音により駆動される確率的アナログ超伝導回路を提案する。 これらの結果は、確率論的機械学習のためのエネルギー効率の高い熱力学ハードウェアへの道筋を概説している。

関連論文リスト

• Thermodynamic Performance Limits for Score-Based Diffusion Models [0.0]
  エントロピー速度に基づく性能限界を導出することにより,スコアベース拡散モデルと非平衡熱力学の接続を確立する。 我々のフレームワークは、生成モデリング性能と熱力学による基本的な物理原理を結びつけている。
  論文  参考訳（メタデータ） (2025-10-07T17:35:18Z)
• 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)
• TICA-Based Free Energy Matching for Machine-Learned Molecular Dynamics [39.146761527401424]
  損失関数に相補的なエネルギーマッチング項を導入する。 我々はCGSchNetモデルを用いてチグノリンタンパク質の枠組みを評価した。 エネルギーマッチングは統計学的に精度が向上することはなかったが、モデルが自由エネルギー表面を一般化する方法に顕著な傾向を示した。
  論文  参考訳（メタデータ） (2025-09-18T04:22:25Z)
• Thermodynamic bounds on energy use in Deep Neural Networks [0.0]
  アナログ物理基板上に実装されたディープニューラルネットワーク(DNN)は,熱力学的制約が著しく異なる条件下で動作可能であることを示す。 我々は、動的および準静的の2種類のアナログ系を区別する。 この結果から, アナログ実装は, 推論においてディジタル実装よりも優れているが, トレーニングの熱力学的コストは, 両者のパラダイムでも同様に大きくなることが示唆された。
  論文  参考訳（メタデータ） (2025-03-13T02:35:07Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Quantum Dynamics of Machine Learning [3.567107449359775]
  機械学習の量子力学方程式(QDE)はシュリンガー方程式とポテンシャルエネルギー等価関係に基づいて得られる。 本稿では,量子力学と熱力学の関係について述べる。
  論文  参考訳（メタデータ） (2024-07-07T16:30:46Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
  エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。 この研究では、浅いニューラルネットワークに焦点を当てます。 我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T15:34:58Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。