論文の概要: Photonic reservoir computing with dimensionally compressed readout
- arxiv url: http://arxiv.org/abs/2609.07418v1
- Date: Mon, 07 Sep 2026 12:28:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 00:27:01.373059
- Title: Photonic reservoir computing with dimensionally compressed readout
- Title（参考訳）: 次元圧縮された読み出しによるフォトニック貯水池計算
- Abstract要約: この研究は貯水池コンピューティングにおけるハードウェアの制約に対処する:物理的読み出しを持つシステムによって課される読み出し層の大きさの制限。
本研究では,高次元貯留状態を低次元部分空間に圧縮するランダムプロジェクションに基づいて,この制約に対応するための戦略を検討する。
- 参考スコア（独自算出の注目度）: 1.1024591739346292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work addresses a hardware constraint in reservoir computing: the limited size of the readout layer imposed by systems with a physical readout. We investigate a strategy to accommodate this constraint based on random projection, which compresses high-dimensional reservoir states into a lower-dimensional subspace while preserving key properties of the source space and information- processing capabilities. To evaluate this approach, we compare a small, standalone time delay reservoir against a larger configuration whose output is projected down to match the same restricted readout dimension. Using task-independent metrics, we demonstrate that the distribution of information-processing capacities may differ between the two configurations, even at identical readout sizes. Furthermore, we perform a comprehensive hyperparameter scan to assess how both systems behave under varying physical regimes. Finally, we benchmark this approach on the standard NARMA10 task, showing that the random projection framework can yield superior performance compared to a standalone constrained reservoir, within specific compression range. These results provide a scalable pathway to bypass physical readout bottlenecks in hardware-based reservoir computing.
- Abstract（参考訳）: この研究は貯水池コンピューティングにおけるハードウェアの制約に対処する:物理的読み出しを持つシステムによって課される読み出し層の大きさの制限。
本研究では,高次元貯留状態を低次元部分空間に圧縮するランダムプロジェクションに基づいて,この制約に対応するための戦略について検討する。
提案手法を評価するため,本手法では,出力が同じ制限された読み出し次元に一致するように投影される大きな構成に対して,小型でスタンドアロンの遅延型貯水池を比較した。
タスク非依存のメトリクスを用いて、同一の読み出しサイズであっても、情報処理能力の分布が異なる可能性があることを示す。
さらに,異なる物理状態下での両システムの挙動を評価するために,包括的ハイパーパラメータースキャンを実施している。
最後に,この手法を標準の NARMA10 タスクにベンチマークし,ランダムプロジェクションフレームワークは,特定の圧縮範囲内において,スタンドアロンの拘束型貯水池よりも優れた性能が得られることを示した。
これらの結果は、ハードウェアベースの貯水池コンピューティングにおける物理的読み出しボトルネックを回避できるスケーラブルな経路を提供する。
関連論文リスト
- Cut-ViT: Task-Specific Model Pruning via Gram Anchoring Subspace Consistency [71.81785123423516]
そこで本稿では,視覚基盤モデルのプルーニングのためのタスク固有のプルーニングパイプラインであるCut-ViTを提案する。
基底非依存および残留制約は、ネイティブモデルとプルーニングされたDINOv3モデルのグラム部分空間を整列するために採用される。
実験によると、Cut-ViTは1つのA100 GPU上で1分程度必要であり、様々な範囲で作業を行うことができる。
論文 参考訳（メタデータ） (2026-08-28T11:25:36Z) - Decoupled I/O-Dominant Pipelines for Large-Scale Whole-Slide Image Embedding Extraction [12.996943804893661]
WSI(Whole-Slide Image)は計算病理の中心であるが、パッチベースの処理を基礎モデル推論の実践単位にしている。
ワークフローを3段階に分解する大規模なWSI埋め込み抽出のための分離されたI/O対応パイプラインを提示する。
この設計は、データ移動を計算から分離し、効率的なパッチ配信を可能にし、最小限の通信でスケーラブルなマルチノード推論を可能にする。
論文 参考訳（メタデータ） (2026-08-27T15:53:16Z) - Fisher-Orthogonal Memory in Quantum Reservoir Computing [4.441368215483203]
本稿では,メモリトレースの識別性を定量化するための遅延空間量子フィッシャー情報行列を提案する。
この観点からは、Fisher-orthogonal memoryは測定効率のよい設計原理である。
我々はクリフォードルーティング軌道とシンガーサイクルパウリ代数に基づく可溶性多ビット貯水池を構築する。
論文 参考訳（メタデータ） (2026-07-31T09:44:18Z) - Organization of computation in reservoir computing [0.0]
貯留層計算は非線形力学系を利用して時間入力を状態空間表現にエンコードする。
本稿では,次級情報処理能力と対応する状態空間モードをリンクする固有スペクトル分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-20T11:59:11Z) - Diagnosing quantum reservoirs at scale based on expressivity and coverage [42.13843953705695]
量子貯水池は、量子機械学習へのハードウェアフレンドリーなルートを提供する。
貯水池は最適化されていないため、性能は貯水池の選択に依存する。
2つの相補的な量に基づいて構築されたスケーラブルでハードウェアに依存しないフレームワークを導入する。
論文 参考訳（メタデータ） (2026-07-10T14:16:13Z) - Towards Practical Lossless Neural Compression for LiDAR Point Clouds [84.36825469211375]
高精度な幾何学的詳細の極端に広い範囲は、効率的な文脈モデリングを妨げる。
私たちのフレームワークは2つの軽量モジュールで構成されています。
実験では、リアルタイムに競争力のある圧縮性能を示す。
論文 参考訳（メタデータ） (2026-03-26T10:02:07Z) - Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。
既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。
筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
論文 参考訳（メタデータ） (2025-08-28T06:36:10Z) - PLAIN: Scalable Estimation Architecture for Integrated Sensing and Communication [5.06867896228563]
統合センシング通信(ISAC)は、次世代モバイルネットワークが構築されるパラダイムの1つである。
センサ統合の主な側面は、周辺環境に関する情報を抽出するパラメータ推定である。
本論文では,複数次元で柔軟にスケール可能なテンソルベース推定アーキテクチャであるPLAINを提案する。
論文 参考訳（メタデータ） (2025-03-27T08:04:46Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳（メタデータ） (2021-07-05T18:30:26Z) - Compressing Deep ODE-Nets using Basis Function Expansions [105.05435207079759]
重みの定式化を基底関数の線形結合を用いた連続深度関数とみなす。
この観点では、ほぼ最先端の性能を維持しながら、再トレーニングすることなく、ベースの変化によって重みを圧縮することができる。
これにより、推論時間とメモリフットプリントの両方が削減され、計算環境間の高速で厳密な適応が可能となる。
論文 参考訳（メタデータ） (2021-06-21T03:04:51Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z)
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。