Fugu-MT 論文翻訳(概要): Coherent advantage in the computational expressivity of excitonic networks

論文の概要: Coherent advantage in the computational expressivity of excitonic networks

arxiv url: http://arxiv.org/abs/2609.10448v1
Date: Wed, 09 Sep 2026 16:59:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:09.118189
Title: Coherent advantage in the computational expressivity of excitonic networks
Title（参考訳）: 排他的ネットワークの計算表現性におけるコヒーレント・アドバンテージ
Abstract要約: コヒーレンス(Coherence)は、ニューラルネットワークに類似した、ネットワークサイズでスケール可能な計算表現性を実現する。我々の研究は、非平衡量子系における表現的計算の資源としてコヒーレンスを確立する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rising energy consumption of AI has generated interest in physical systems as alternative substrates for trainable computation. Recent experimental advances have enabled precise control over the couplings between molecular chromophores, which give rise to coherent excitation dynamics. Here, we study driven-dissipative excitonic networks as a computational platform, where the intersite couplings define the input and the steady state defines the output. We show that coherence enables computational expressivity to scale with network size, analogous to artificial neural networks. Both this scaling and the overall expressivity are suppressed by strong dephasing. Our work establishes coherence as a resource for expressive computation in nonequilibrium quantum systems.
Abstract（参考訳）: AIのエネルギー消費の増大は、トレーニング可能な計算のための代替基板として物理システムへの関心を生んだ。近年の実験的進歩により、分子染色体間の結合の精密制御が可能となり、コヒーレント励起ダイナミクスがもたらされた。本稿では,入力と定常状態の結合が定義され,出力が定義される計算プラットフォームとして,駆動散逸排他的ネットワークについて検討する。我々は,コヒーレンスにより,ニューラルネットワークに類似したネットワークサイズで,計算表現性が拡張可能であることを示す。このスケーリングと全体的な表現性は、強い嫌悪によって抑制される。我々の研究は、非平衡量子系における表現的計算の資源としてコヒーレンスを確立する。

関連論文リスト

EPIC-CIM: Training Convolutional Neural Networks on a Coherent Ising Machine via Equilibrium Propagation [37.18820527520441]
量子畳み込みニューラルネットワークは、量子測定と離散量子状態進化の関与により、固有のトレーニング課題に直面している。このフレームワークでは、入力データは畳み込み演算によって処理され、続いて量子サンプリングによってバイナリ表現を生成する。ネットワーク全体のエネルギーは、畳み込み特徴マッチング項、出力層における線形結合項、大域出力制約項から成り立っている。
論文参考訳（メタデータ） (2026-07-08T02:46:41Z)
Thermodynamic Networks: Harnessing Non-Equilibrium Steady States for Computation [0.0]
熱力学ネットワークは、自律的、物理学に基づく計算の一般的なフレームワークである。負微分コンダクタンス(負微分コンダクタンス、負微分コンダクタンス、負微分コンダクタンス、負微分コンダクタンス、負微分コンダクタンス)は、ネットワークの計算表現性を管理する重要な物理特性である。
論文参考訳（メタデータ） (2026-05-15T14:19:27Z)
Quantum-inspired tensor networks in machine learning models [39.3098730337656]
テンソルネットワークは多粒子量子状態の圧縮表現として多体物理学の文脈で開発された。これらの表現は、最も関連する依存関係のみをキャプチャすることで、多体システムの指数関数的複雑性を緩和する。量子絡み合いと統計的相関の形式的類似性により、テンソルネットワークは機械学習に最近統合されている。
論文参考訳（メタデータ） (2026-04-15T18:00:03Z)
Dense Neural Networks are not Universal Approximators [53.27010448621372]
ニューラルネットワークは任意の連続関数の普遍性を持たないことを示す。 ReLUニューラルネットワークは、重みと入出力次元の自然な制約を受ける。
論文参考訳（メタデータ） (2026-02-07T16:52:38Z)
Fractional neural attention for efficient multiscale sequence processing [0.0]
マルチスケール情報処理の原理的フレームワークであるFNA(Frictional Neural Attention)を導入する。 FNAは、ラプラシアン分数によって支配されるレヴィ拡散によるトークン相互作用をモデル化する。 FNAは、単一の層と単一のヘッドであっても、競合するテキスト分類性能を達成する。
論文参考訳（メタデータ） (2025-11-13T11:27:39Z)
Dynamical Alignment: A Principle for Adaptive Neural Computation [1.0974389213466795]
固定されたニューラルネットワーク構造は、その構造ではなく、入力信号の時間的ダイナミクスによって駆動される、根本的に異なる計算モードで動作可能であることを示す。この計算上の優位性は、入力力学とニューロン統合の間の時間スケールのアライメントから生じる。この原理は、安定塑性ジレンマから分離積分力学まで、神経科学における長期保存双対性に関する統一的で計算可能な視点を提供する。
論文参考訳（メタデータ） (2025-08-13T06:35:57Z)
KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
論文参考訳（メタデータ） (2025-05-23T13:58:29Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
Expressivity of Neural Networks with Random Weights and Learned Biases [44.02417750529102]
固定ランダム重み付きフィードフォワードニューラルネットワークは,任意の連続関数をコンパクトな集合上で近似することができることを示す。我々の発見は神経科学に関係しており、シナプスの重みを変えることなく、またAIにも、動的に行動に関係のある変化が起こる可能性を実証している。
論文参考訳（メタデータ） (2024-07-01T04:25:49Z)
Polariton lattices as binarized neuromorphic networks [0.0]
本研究では, 励起子-偏光子縮合格子に基づく新規なニューロモルフィックネットワークアーキテクチャを導入し, 非共鳴光ポンピングにより複雑に相互接続し, エネルギー化する。このネットワークは、ペア結合された凝縮体の空間コヒーレンスによって促進される各ニューロンがバイナリ操作を行うバイナリ・フレームワークを採用している。
論文参考訳（メタデータ） (2024-01-14T08:32:41Z)
Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。決定木を利用して,ロボット学習における絡み合いの要因を抽出する。学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
論文参考訳（メタデータ） (2022-10-13T01:10:41Z)
Spontaneous Emergence of Computation in Network Cascades [0.7734726150561089]
我々は、接続性とアンタゴニズム(阻害)の関数として、閾値ネットワークで複雑なブール関数の計算が自然に発生することを示した。また、ここで観察される抑制の最適割合は、最適な情報処理に関する計算神経科学の結果を支持することも示している。
論文参考訳（メタデータ） (2022-04-25T20:35:09Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Input correlations impede suppression of chaos and learning in balanced rate networks [58.720142291102135]
ニューラルネットワークにおける情報符号化と学習は、時間変化による刺激が自発的なネットワーク活動を制御することができるかに依存する。平衡状態の焼成速度ネットワークでは、リカレントダイナミクスの外部制御は入力の相関に強く依存することを示す。
論文参考訳（メタデータ） (2022-01-24T19:20:49Z)

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。