論文の概要: From Digital to Physical Reservoir Computing: Co-Optimizing Soft Robotic Reservoirs via Dynamics Matching

• arxiv url: http://arxiv.org/abs/2608.00484v1
• Date: Sat, 01 Aug 2026 07:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.700215
• Title: From Digital to Physical Reservoir Computing: Co-Optimizing Soft Robotic Reservoirs via Dynamics Matching
• Title（参考訳）: デジタルから物理貯留層コンピューティングへ:ダイナミクスマッチングによるソフトロボット貯留層の共同最適化
• Abstract要約: ソフトなロボット基板は物理貯留層コンピューティングに期待されている。 物理的貯水池は、事前訓練や共同最適化ではなく、しばしばas-isとして採用される。 物理貯水池は高い性能のディジタル参照力学に対して事前訓練できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 45.97903450942484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft robotic substrates are promising for Physical Reservoir Computing (PRC) because their compliant nonlinear dynamics can provide temporal memory, high-dimensional state transformations, and efficient inference. However, physical reservoirs are often adopted as-is rather than pretrained or co-optimized, potentially limiting soft robotic PRC performance relative to digital reservoirs. We investigate whether a physical reservoir can instead be pretrained against high-performing digital reference dynamics. Our formulation jointly optimizes physical parameters, a diffeomorphic physical-reference state map, and feedforward-feedback control using a differentiable physical model and an acceleration-level equation-error objective that avoids temporal integration. As a proof of concept, we instantiate the formulation with simulated soft robots, a Random Oscillators Network (RON) reference, and parallel multi-start gradient descent. We evaluate the optimized reservoirs on classification (sMNIST and ADIAC) and forecasting (Mackey-Glass and Lorenz96) tasks across four reservoir dimensions. Compared with unoptimized soft robot reservoirs, the optimized reservoirs achieve a mean relative improvement of 33.7% across all tasks and datasets, while remaining close to the digital reference. These results demonstrate the feasibility of dynamics-level co-optimization for the simulated soft robotic reservoirs considered here.
• Abstract（参考訳）: ソフトなロボット基板は、時間記憶、高次元状態変換、効率的な推論を提供するため、物理貯留層コンピューティング(PRC)を約束している。 しかし、物理的貯水池は事前訓練や共同最適化ではなく、そのまま採用されることが多く、デジタル貯水池と比較してソフトロボットPRCの性能が制限される可能性がある。 物理貯水池は高い性能のディジタル参照力学に対して事前訓練できるかどうかを検討する。 本稿では,物理パラメータ,微分型物理参照状態マップ,および時間積分を回避する加速度レベルの方程式-エラー目標を用いたフィードフォワードフィードバック制御を協調的に最適化する。 概念実証として、シミュレーションソフトロボット、ランダムオシレータネットワーク(RON)参照、並列マルチスタート勾配勾配を用いて定式化を行う。 最適化された貯水池を分類(sMNIST, ADIAC)と4つの貯水池次元にわたる予測(Mackey-Glass, Lorenz96)に基づいて評価した。 最適化されていないソフトロボット貯水池と比較すると、最適化された貯水池は全てのタスクとデータセットの平均相対的な改善を33.7%達成し、デジタル参照に近づいたままである。 これらの結果は, シミュレーション型ソフトロボット貯水池における動的レベルの共最適化の実現可能性を示している。

関連論文リスト

• A Reproducible and Physically Feasible Dynamic Parameter Identification Framework for a Low-Cost Robot Arm [0.0]
  本稿では,スマートアクチュエータによって駆動される低コストロボットアームのための動的パラメータ識別フレームワークを提案する。 慣性生成物は近似リンク対称性に従って除去され、剛体モデルが65から39となる。 提案したパイプラインは,プリプロセッシング,逆ダイナミックス・レグレッショナリ最小二乗(OLS),条件付き半有限プログラミング(SDP)プロジェクションと閉ループ入力誤差(CLIE)の補正を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-05-15T13:36:03Z)
• Physically Accurate Rigid-Body Dynamics in Particle-Based Simulation [38.44669833143752]
  粒子ベースのシミュレータは、現在のシミュレータに代わる魅力的な代替手段を提供する。 位置ベース力学(PBD)は、その計算効率と視覚的可視性で有名な解法である。 物理的に正確な剛体力学を強制する PBD-R を改訂した PBD-R を導入する。
  論文  参考訳（メタデータ） (2026-03-15T22:09:42Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• Robustly optimal dynamics for active matter reservoir computing [0.0]
  貯水池計算のパラダイムにおいて, 活性物質の情報処理能力について検討し, カオス信号の将来状態を推定する。 我々はこれまで見過ごされてきたエージェント・ダイナミクスの並外れた体制を明らかにする。 多くの条件下での性能に対して堅牢に最適化されており、より一般的に物理システムによる計算に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-08T17:09:14Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Task Agnostic Metrics for Reservoir Computing [0.0]
  物理貯水池計算は、物理物質における時間的パターン認識を可能にする計算パラダイムである。 選択された力学系は、非線形性、複雑性、暗くなるメモリの3つの望ましい特性を持つ必要がある。 一般に, 減衰率の低いシステムは, 3つの評価指標すべてにおいて高い値に達することが示されている。
  論文  参考訳（メタデータ） (2021-08-03T13:58:11Z)

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。