論文の概要: Photonic reservoir computing with complex networks

• arxiv url: http://arxiv.org/abs/2607.23285v1
• Date: Sat, 25 Jul 2026 16:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.048933
• Title: Photonic reservoir computing with complex networks
• Title（参考訳）: 複素ネットワークを用いたフォトニック貯水池計算
• Abstract要約: フォトニック貯水池コンピューティングは、時系列予測の迅速かつ低コストなアプローチとして注目されている。 大規模フォトニック貯水池における内部接続構造(ネットワークトポロジー)の計算性能への影響は検討されていない。 本研究では,貯水池内ノードのネットワークトポロジとして,小世界や大規模ネットワークトポロジなどの複雑なネットワーク構造を紹介する。
• 参考スコア（独自算出の注目度）: 1.641989164066004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonic reservoir computing has attracted increasing attention as a fast and low-cost approach for time-series prediction. Photonic reservoir computing utilizes the high speed, broad bandwidth, and spatial parallelism of light. However, the effect of the internal connection structure (network topology) on the computing performance has not been investigated for large-scale photonic reservoirs. In this study, we experimentally and numerically demonstrate photonic reservoir computing using a spatial light modulator to systematically evaluate the relationship between the network topology and the performance of reservoir computing. We introduce complex network structures such as small-world and scale-free network topologies of the internal nodes in the reservoir. We perform the memory capacity measurement and the one-step-ahead prediction task of the chaotic time series to compare the performance. We found that the small-world network exhibits the maximum memory capacity and the best prediction performance. Our numerical calculations reveal that the performance of the time-series prediction can be optimized by changing the rewiring probability of the network and the leak rate of the reservoir. We also implement photonic human brain network as a reservoir, which is designed by the connectomes of human brain activities. We found that the network topology strongly affects the performance of reservoir computing, and the small-world network structure outperforms the other configurations.
• Abstract（参考訳）: フォトニック貯水池コンピューティングは、時系列予測の迅速かつ低コストなアプローチとして注目されている。 フォトニック貯水池計算は、光の高速、広帯域、空間並列性を利用する。 しかし、大規模フォトニック貯水池では、内部接続構造(ネットワークトポロジー)が計算性能に与える影響は研究されていない。 本研究では,空間光変調器を用いたフォトニック貯水池計算を実験的に数値的に実証し,ネットワークトポロジと貯水池計算の性能との関係を系統的に評価する。 本研究では,貯水池内ノードのネットワークトポロジとして,小世界や大規模ネットワークトポロジなどの複雑なネットワーク構造を紹介する。 我々は,カオス時系列のメモリ容量測定と1段階の予測タスクを行い,その性能を比較する。 その結果,小世界のネットワークは最大メモリ容量と最高の予測性能を示すことがわかった。 数値計算により,ネットワークの切り換え確率と貯水池の漏洩率を変化させることで,時系列予測の性能を最適化できることが判明した。 我々はまた、人間の脳活動のコネクトームによって設計された貯水池として、フォトニックヒト脳ネットワークを実装した。 その結果,ネットワークトポロジが貯水池計算の性能に強く影響を与え,ネットワーク構造が他の構成よりも優れていることがわかった。

関連論文リスト

• Identifying structural design principles shaping the computational abilities of recurrent neural networks [1.5346678870160888]
  我々は、リカレントニューラルネットワークの計算能力を、その接続性の関数として特徴づける。 小型ネットワークでは,ネットワーク機能性能の完全なカタログを構築した。 ネットワーク上にローカルな2サイクルと3サイクルを持つことは、その計算能力を強く向上させることを示す。
  論文  参考訳（メタデータ） (2026-06-22T19:17:25Z)
• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• Deep Lookup Network [76.66809324649154]
  多くのリソース制限エッジデバイスでは、複雑な演算をルックアップテーブルを通じて計算し、計算コストを削減できる。 本稿では,ニューラルネットワーク構築の基本的な操作として使用できる汎用的で効率的な検索操作を提案する。 計算コストのかかる乗算演算をルックアップ演算に置き換えることで、画像分類、画像超解像、点クラウド分類タスクのためのルックアップネットワークを開発する。
  論文  参考訳（メタデータ） (2025-09-17T03:31:41Z)
• Neuromorphic on-chip reservoir computing with spiking neural network architectures [0.562479170374811]
  貯留層コンピューティングは、リカレントニューラルネットワークの計算能力を活用するための有望なアプローチである。 本稿では,貯水池計算フレームワークにおける統合・火災ニューロンの2つのタスクへの適用について検討する。 本稿では,IntelのニューロモーフィックコンピューティングソフトウェアフレームワークであるLavaと,Loihiのオンチップ実装を用いて,独自の統合・ファイアコードを用いた貯水池計算性能について検討する。
  論文  参考訳（メタデータ） (2024-07-30T05:05:09Z)
• LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
  スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。 本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-26T05:23:11Z)
• Convergence and scaling of Boolean-weight optimization for hardware reservoirs [0.0]
  我々は、ランダムにリカレント接続されたニューラルネットワークの読み出し層を最適化するために、高効率なコーディネートDescentのスケーリング法則を解析的に導出した。 本結果は,概念実証実験で実施した大規模フォトニック貯水池の収束とスケーリングを完璧に再現するものである。
  論文  参考訳（メタデータ） (2023-05-13T12:15:25Z)
• Dense Hebbian neural networks: a replica symmetric picture of supervised learning [4.133728123207142]
  我々は教師が指導する高密度で連想的なニューラルネットについて検討する。 スピングラスの統計力学およびモンテカルロシミュレーションによる数値計算能力の解析を行った。
  論文  参考訳（メタデータ） (2022-11-25T13:37:47Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
  ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。 有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
  論文  参考訳（メタデータ） (2020-03-25T10:49:22Z)

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。