論文の概要: A Heterogeneous General Model for Neuromorphic-Inspired Computation

• arxiv url: http://arxiv.org/abs/2609.05482v1
• Date: Sun, 23 Aug 2026 15:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:36:06.421275
• Title: A Heterogeneous General Model for Neuromorphic-Inspired Computation
• Title（参考訳）: ニューロモルフィックにインスパイアされた計算のための不均一な一般モデル
• Abstract要約: 本研究は,入力依存重みネットワークに基づく一般モデルを提案する。 提案するフレームワークは二次重み関数を用いて実装されている。 本研究の目的は、モデルの一般的な定式化を提供し、その主な特性と特性を識別することである。
• 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: In recent years, both academia and industry have focused on the development of computational architectures inspired by the distributed, adaptive, and event-driven characteristics of biological neural systems, with the aim of reducing the computational cost associated with conventional training approaches [1]. However, a major challenge is the lack of general models and design guidelines for emerging computational systems and hardware. This work introduces a general model based on an input-dependent stochastic weight network, referred to as a substrate. The substrate weights evolve through input-triggered stochastic updates, with correlations between weight coefficients described by a matrix-valued covariance kernel. The proposed framework is implemented using quadratic polynomial weight functions, where the input amplitude controls the magnitude of the stochastic perturbation and a substrate-dependent distance determines the correlation structure. Numerical simulations show that correlations in the stochastic weight evolution significantly affect the system response, suggesting a potential mechanism for neuromorphic-inspired computation without conventional weight training. The aim of this work is to provide a general formulation of the model and identify its main properties and characteristics. 1 H. Jaeger, Towards a generalized theory comprising digital, neuromorphic and unconventional computing, Neuromorphic Comput. Eng., vol. 1, no. 1, p. 012002, Sep. 2021
• Abstract（参考訳）: 近年、学術と産業の両分野において、従来のトレーニング手法に関連する計算コストの削減を目的とした、生物学的ニューラルネットワークの分散、適応、イベント駆動特性にインスパイアされた計算アーキテクチャの開発に焦点が当てられている。 しかし、大きな課題は、新しい計算システムとハードウェアのための一般的なモデルと設計ガイドラインの欠如である。 この研究は、入力依存確率重みネットワークに基づく一般的なモデルを導入し、これを基質と呼ぶ。 基板の重みは、入力トリガーされた確率的更新によって進化し、行列値の共分散カーネルで表される重み係数の相関関係を持つ。 提案手法は2次多項式重み関数を用いて実装され、入力振幅が確率的摂動の大きさを制御し、基板依存距離が相関構造を決定する。 数値シミュレーションにより、確率的ウェイト進化の相関がシステム応答に大きく影響していることが示され、従来のウェイトトレーニングを使わずにニューロモルフィックにインスパイアされた計算の潜在的なメカニズムが示唆された。 本研究の目的は、モデルの一般的な定式化を提供し、その主な特性と特性を識別することである。 1 H. Jaeger - デジタル、ニューロモルフィック、非伝統的な計算、ニューロモルフィック計算からなる一般化理論。 Eng! ヴォル。 1, No. 1, pp. 012002, Sep. 2021

関連論文リスト

• Physics-guided Convolutional Neural Network for Domain Growth Prediction in Systems with Conserved Kinetics [0.0]
  本稿では,このようなシステムの進化を学習するための代理モデルとして,注意に基づく物理誘導型畳み込みニューラルネットワークを提案する。 実験により得られたサロゲートモデルからの予測は, 臨界と非臨界の混合の双方に対して, 長時間のロールアウトよりも安定かつ正確であることが確認された。
  論文  参考訳（メタデータ） (2026-06-09T10:16:50Z)
• Hypothesis-driven construction of mesoscopic dynamics [29.742281675145232]
  数学的に制約された仮説クラス内でメソスコピック力学を学習することで、代替パラダイムを提案する。 我々は、散逸的および保守的なメオスコープ力学を包含する統一的な枠組みを導入する。 次に、各問題インスタンスのデータを使用して、仮説クラス内のメンバの識別をガイドします。
  論文  参考訳（メタデータ） (2026-05-15T17:26:28Z)
• A Solvable Molecular Switch Model for Stable Temporal Information Processing [0.0]
  リニア・イン・ザ・ステートと非線形・イン・イン・イン・イン・イン・インプットのモデルは正確に解決可能であり、収束とフェードメモリの数学的性質も持っている。 その結果、動的分子スイッチを深いカスケード/層状フィードフォワードおよびリカレントアーキテクチャの計算単位として使用するための理論的支援が得られた。 また、脳にインスパイアされた振る舞いを模倣し、入力信号に対して安定した計算を実行できる任意の物理デバイスをエミュレートできる、より一般的な正確な解決可能なモデルをインスパイアすることもできる。
  論文  参考訳（メタデータ） (2025-08-21T11:13:56Z)
• Models of Heavy-Tailed Mechanistic Universality [62.107333654304014]
  トレーニングニューラルネットワークにおける重み付け行動を引き起こす属性を探索するために,ランダム行列モデルのファミリーを提案する。 このモデルの下では、3つの独立した因子の組み合わせによって、尾翼の電力法則によるスペクトル密度が生じる。 ニューラルネットワークトレーニングの5段階以上において、ニューラルネットワークのスケーリング法則、軌道、および5段階以上の位相を含む重尾の出現に対する我々のモデルの影響について論じる。
  論文  参考訳（メタデータ） (2025-06-04T00:55:01Z)
• Dynamical Decoupling of Generalization and Overfitting in Large Two-Layer Networks [10.591718074748895]
  本研究では,2層ニューラルネットワークの動的平均場理論による学習ダイナミクスについて検討する。 大きなネットワーク幅$m$と入力次元$n/d$あたりのサンプル数に対して、トレーニングダイナミクスは時間スケールの分離を示す。
  論文  参考訳（メタデータ） (2025-02-28T17:45:26Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• 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)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Hierarchical Gaussian Process Priors for Bayesian Neural Network Weights [16.538973310830414]
  望ましい事前分類は、重みをコンパクトに表現し、重み間の相関を捉え、事前知識を含ませることである。 i) 相関重み構造を柔軟にエンコード可能な単位埋め込みに基づくネットワーク重みのプロセスベース階層モデルと,(ii) 関数空間の規則化に便利な入力依存型の重み前のモデルを提案する。 これらのモデルは、分布外データに基づいて望ましいテスト時間不確実性推定を提供し、カーネルを用いたニューラルネットワークの帰納バイアスをモデル化する事例を示し、アクティブラーニングベンチマークで競合予測性能を示す。
  論文  参考訳（メタデータ） (2020-02-10T07:19:52Z)

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。