論文の概要: Nanoparticle Networks for Neuromorphic Computing

• arxiv url: http://arxiv.org/abs/2607.27844v1
• Date: Thu, 30 Jul 2026 08:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.460072
• Title: Nanoparticle Networks for Neuromorphic Computing
• Title（参考訳）: ニューロモルフィックコンピューティングのためのナノ粒子ネットワーク
• Abstract要約: 分子接合によって相互に結合する金属ナノ粒子をベースとしたニューロモルフィックアーキテクチャを,$textSiO$/Si基板上に提案する。 計算性能を最大化する3つのコア設計ルールを確立する。
• 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: Physical computing leverages complex dynamical systems for energy-efficient data processing. In this work, we present a neuromorphic architecture based on metallic nanoparticles interconnected by molecular junctions on a $\text{SiO}_2$/Si substrate. We demonstrate that surrounding static control electrodes transform this nanoparticle network from a passive reservoir into a tunable nonlinear dynamical system. By analyzing how these electrodes route simple one-dimensional voltage inputs into multidimensional signal responses, we establish three core design rules to maximize computational performance. First, operating near the system's cutoff frequency achieves an optimal balance between nonlinear charge tunneling and linear capacitive memory. Second, tuning the underlying $\text{SiO}_2$ thickness sets the electrostatic screening length and dictates the memory type. Thick oxide layers reduce the screening length, causing networks larger than this length to transition into a persistent, non-volatile-like regime. Conversely, networks smaller than the screening length exhibit only fading memory. Third, introducing structural disorder via heterogeneous molecular junctions overcomes inherent limits on expressivity. While a network's computational expressivity scales with its physical size, it is ultimately capped by the screening length. Breaking internal spatial symmetries with localized disorder bypasses this saturation, allowing control voltages to independently manipulate specific signal amplitudes and phases, universally maximizing performance for dynamic neuromorphic applications.
• Abstract（参考訳）: 物理コンピューティングは、エネルギー効率のよいデータ処理に複雑な力学系を利用する。 本研究では,分子接合によって相互に結合する金属ナノ粒子をベースとしたニューロモルフィックアーキテクチャを,$\text{SiO}_2$/Si基板上に提案する。 本研究では, 周囲の静電制御電極がこのナノ粒子ネットワークを受動的貯留層から可変非線形力学系に変換することを実証する。 これらの電極が単純な1次元電圧入力を多次元信号応答にどうルーティングするかを解析することにより、計算性能を最大化する3つの中核設計ルールを確立する。 第一に、システムの遮断周波数付近での動作は非線形電荷トンネルと線形容量メモリの最適バランスを達成する。 次に、基盤となる$\text{SiO}_2$の厚さを調整すると、静電スクリーニング長が設定され、メモリタイプが指定される。 厚い酸化物層はスクリーニング長を減少させ、この長さより大きいネットワークは永続的で揮発性のない状態へと遷移する。 逆に、スクリーニング長よりも小さいネットワークは、暗くなるメモリしか示さない。 第三に、不均一な分子接合による構造障害の導入は、表現性に固有の限界を克服する。 ネットワークの計算表現性はその物理サイズでスケールするが、最終的にはスクリーニング長によってキャップされる。 局所障害を伴う内部空間対称性を破ることによって、この飽和を回避し、制御電圧が特定の信号振幅と位相を独立に操作し、動的ニューロモルフィックアプリケーションの性能を普遍的に最大化する。

関連論文リスト

• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Multi-Level Resistive Synapses for On-Chip Neural Networks: A Physics-Based Design of a Memristive Crossbar Fabric with Quasi-Continuous Conductance States [0.766310831583367]
  本稿では,マルチレベル・メムリシブ・シナプスを用いたオンチップニューラルネットワークの物理設計について述べる。 本研究では, 熱雑音, ドリフト, 量子化コンダクタンスの下で, 状態可変モデルを開発し, 保存可能なサブレベルを定量化する。 その結果、高密度、アナログ、インメモリニューラルプロセッサのためのハードウェアネイティブな青写真が得られた。
  論文  参考訳（メタデータ） (2026-06-21T18:04:51Z)
• Low-power analogue neural networks with trainable nonlinear connections for continuous control [54.59241649882409]
  物理ニューラルネットワークはアナログデバイス物理を直接計算することで低消費電力の機械学習を約束する。 トレーニング可能な非線形関数を接続上に配置し、各物理接続を学習可能な計算要素とする。 その利点はタスク依存であり、物理的基盤の滑らかさから従うことが分かる。
  論文  参考訳（メタデータ） (2026-06-21T15:55:23Z)
• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• Low-rank compression of two-electron reduced density matrices [0.0]
  2体還元密度 (2RDM) は電子状態の2電子物理学を符号化するが、その準保存コストは実用上大きな限界をもたらす。 我々は,遷移と非遷移の2RDMの両方を圧縮し,それらのウェッジ生成物の構造と物理的対称性を保持する低ランク表現に変換するための簡単なプロトコルについて検討する。
  論文  参考訳（メタデータ） (2026-05-11T21:25:53Z)
• Tensor network methods for bound electron-hole complexes beyond strong and weak confinement in nanoplatelets [0.0]
  半導体ナノ構造において、光励起は励起子、トリオン、およびより大きな錯体のような有界な電子-ホール状態を生成する。 ナノプレートは2つの状態の間に存在し、不定形高次元シュルディンガー方程式を解く必要がある。 この研究は、CdSeナノプレートレットを例として用いて、テンソルネットワークがこの問題を部分的に克服できることを示す。
  論文  参考訳（メタデータ） (2026-03-26T13:37:21Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• Hamiltonian Mechanics of Feature Learning: Bottleneck Structure in Leaky ResNets [58.460298576330835]
  ResNets と Fully-Connected Nets を相互接続する Leaky ResNets について「有効深度」に依存して検討する。 この直感を利用して、以前の研究で見られるように、ボトルネック構造の出現を説明する。
  論文  参考訳（メタデータ） (2024-05-27T18:15:05Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• A Multisite Decomposition of the Tensor Network Path Integrals [0.0]
  我々は、テンソルネットワークパス積分(TNPI)フレームワークを拡張し、局所的な散逸環境を持つ量子システムを効率的にシミュレートする。 MS-TNPI法は溶媒と結合した様々な拡張量子系の研究に有用である。
  論文  参考訳（メタデータ） (2021-09-20T17:55:53Z)

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。