論文の概要: RAOA: Alternating-Operator Neural Computation with Programmable Radio Propagation

• arxiv url: http://arxiv.org/abs/2610.02683v1
• Date: Fri, 02 Oct 2026 02:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.162075
• Title: RAOA: Alternating-Operator Neural Computation with Programmable Radio Propagation
• Title（参考訳）: RAOA:Programmable Radio Propagationを用いた交互演算型ニューラル計算
• Abstract要約: 我々は、繰り返し計算アーキテクチャであるRadio Alternating Operator Ansatz (RAOA)を導入する。 我々は、このアイデアを、厳密な離散的、制約付きプログラマブル・プロパゲーション・シミュレーションと事前訓練されたモデル適応を通じて評価する。
• 参考スコア（独自算出の注目度）: 15.806921450555365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can programmable radio propagation serve as computational depth rather than only as a communication channel or one-shot analog transform? We introduce the Radio Alternating Operator Ansatz (RAOA), a recurrent computing architecture that alternates an energy-derived problem update with a mixing update over a persistent latent state. Recomputing the problem field after each mix makes repeated passes compositional even when the same learned controls are reused across depth. We evaluate this idea through exact discrete optimization, constrained programmable-propagation simulation, and pretrained-model adaptation. On discrete objectives, repeated execution can improve solution quality without increasing the learned-control count, and the same formulation handles higher-order interactions directly. A passive phase-only free-space model further shows that the required operators can be approximated by programmable propagation while retaining useful downstream behavior despite realization error. When inserted as a zero-initialized residual adapter, RAOA adapts pretrained language models with WikiText performance close to a matched shallow MLP across three model families, while reasoning-task transfer remains model-dependent. Together, these results connect alternating-operator computation, programmable radio propagation, and neural adaptation within one recurrent framework. The RF realization evidence is simulation-based rather than a hardware demonstration.
• Abstract（参考訳）: プログラム可能な電波伝搬は、通信チャネルやワンショットアナログ変換だけでなく、計算深度として機能するか? 我々は、繰り返し計算アーキテクチャであるRadio Alternating Operator Ansatz (RAOA)を導入する。 各ミキシング後に問題フィールドを再計算すると、同じ学習された制御が深さにわたって再利用された場合でも、繰り返し合成される。 我々は,このアイデアを,厳密な離散最適化,制約付きプログラマブル・プロパゲーション・シミュレーション,事前学習モデル適応を通じて評価する。 個別の目的において、繰り返し実行は学習制御数を増やすことなく解の質を向上させることができ、同じ定式化が高次相互作用を直接処理する。 受動位相のみの自由空間モデルにより、必要となる演算子をプログラマブルな伝播により近似できると同時に、実現誤差にもかかわらず下流の有用な振舞いを維持できることが示される。 ゼロ初期化残差アダプタとして挿入されると、RAOAはWikiTextの性能を持つ事前訓練された言語モデルに対応し、3つのモデルファミリで一致した浅いMLPに近づき、推論とタスクの転送はモデル依存のままである。 これらの結果は、交互演算計算、プログラマブル無線伝搬、および1つの繰り返しフレームワーク内のニューラル適応を結合する。 RF実現の証拠はハードウェアのデモンストレーションではなくシミュレーションに基づくものである。

関連論文リスト

• Learning to Replace MCMC in Split-Gibbs Diffusion Posterior Sampling via Deep Unfolding [59.15417651849432]
  スプリットギブスサンプリングは、一般的な非線形逆問題に対する拡散後部推論を可能にする。 このMCMCのステップを置き換えるための学習ベースのフレームワークを提案する。 非線形位相探索実験は, 提案手法の有効性を低い確率更新コストで実証する。
  論文  参考訳（メタデータ） (2026-09-24T20:47:24Z)
• Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
  本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。 核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
  論文  参考訳（メタデータ） (2026-09-02T13:15:50Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Reactive Knowledge Representation and Asynchronous Reasoning [35.58961985804191]
  複素確率モデルにおける厳密な推論は、しばしば禁止的な計算コストを引き起こす。 既存の手法は、どの変更でもモデル全体を再評価するため、継続する推論には非効率であることが多い。 まず、確率論的論理とリアクティブプログラミングを融合した確率論的プログラミング言語であるRetinを紹介します。 レジンの効率的かつ正確なセマンティクスを提供するために,反応回路(RC)を提案する。 高忠実度ドローン群シミュレーションにおいて,本手法は周波数非依存推論よりも数桁の高速化を実現する。
  論文  参考訳（メタデータ） (2026-02-05T13:02:01Z)
• A Transformer Inspired AI-based MIMO receiver [0.5039813366558306]
  AttDetの設計は、モデルベースの解釈可能性とデータ駆動の柔軟性を組み合わせる。 5Gチャネルモデルと高次混合QAM変調および符号化方式のリンクレベルシミュレーションによる実演を行う。 AttDetは予測可能で現実的な複雑さを維持しながら、ほぼ最適のBER/BLERパフォーマンスにアプローチすることができる。
  論文  参考訳（メタデータ） (2025-10-23T09:05:10Z)
• Provably Efficient Online RLHF with One-Pass Reward Modeling [70.82499103200402]
  人間のフィードバックからの強化学習は、大規模言語モデルと人間の好みを合わせることに顕著な成功を収めた。 オンラインRLHFは有望な方向性として現れ、反復的なデータ収集と改善を可能にしている。 本稿では,過去のデータを保存する必要をなくし,反復毎に一定時間更新を行うワンパス報酬モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T02:36:01Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Just One Byte (per gradient): A Note on Low-Bandwidth Decentralized Language Model Finetuning Using Shared Randomness [86.61582747039053]
  分散環境での言語モデルトレーニングは、交換の通信コストによって制限される。 分散微調整を低帯域幅で行うために,共有ランダムネスを用いた最近の作業を拡張した。
  論文  参考訳（メタデータ） (2023-06-16T17:59:51Z)
• Over-the-Air Federated Learning with Retransmissions (Extended Version) [21.37147806100865]
  資源制約のある無線ネットワーク上でのフェデレート学習(FL)の収束に対する推定誤差の影響について検討する。 資源制約のある無線ネットワーク上でFL収束を改善する手法として再送信を提案する。
  論文  参考訳（メタデータ） (2021-11-19T15:17:15Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)

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。