Fugu-MT 論文翻訳(概要): On physical implementability of reinforcement-learning-driven reasoning

論文の概要: On physical implementability of reinforcement-learning-driven reasoning

arxiv url: http://arxiv.org/abs/2610.14131v1
Date: Fri, 09 Oct 2026 12:12:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 23:02:35.184974
Title: On physical implementability of reinforcement-learning-driven reasoning
Title（参考訳）: 強化学習駆動推論の物理的実装性について
Abstract要約: 物理ニューラルネットワークモデルにおけるこの強化学習駆動推論プロセスのハードウェア実装に関する否定的な結果を示す。力学における思考の連鎖の存在は、システムのリャプノフ安定性と矛盾する。
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 the machine learning community, the reinforcement-learning-driven reasoning process has been intensively studied since around 2025. In this article, we present a negative result on the hardware implementation of this reinforcement-learning-driven reasoning process in a physical neural network model in the presence of a reward external potential energy for a given reward. In this hardware implementation, the existence of a chain of thought in dynamics contradicts the Lyapunov stability of the system.
Abstract（参考訳）: 機械学習コミュニティでは、2025年頃から強化学習による推論プロセスが集中的に研究されている。本稿では、この強化学習駆動推論プロセスのハードウェア実装において、与えられた報酬に対する報酬外ポテンシャルエネルギーの存在下での物理ニューラルネットワークモデルにおいて、負の結果を示す。このハードウェア実装では、力学における思考の連鎖の存在はシステムのリャプノフ安定性と矛盾する。

関連論文リスト

Latent-Lagrangian Neural Networks for Reduced Order Modeling of Non-autonomous Nonlinear Dynamical Systems [0.0]
本研究では、強制非線形力学系の低次モデリングのためのラグランジアンベースのフレームワークを提案する。従来のラグランジアンニューラルネットワークやハミルトニアンのニューラルネットワークとは対照的に、我々のアプローチは2つの潜在エネルギーと共役するダイナミクスを捉えるために潜時学習を行う。
論文参考訳（メタデータ） (2026-10-03T19:23:41Z)
Data-driven discrete-time deep recurrent neural network-based modeling for dissipative systems [0.0]
本稿では,ディシパティビティを明示的に強制するディープ離散時間散逸型リカレントニューラルネットワーク(DissipNet)を提案する。構築により、提案ネットワークは、その固有の安定性を保ちながら、散逸ダイナミクスを学習することができる。
論文参考訳（メタデータ） (2026-09-23T00:48:12Z)
Tools to Explain Neural Networks for Power System Dynamics [0.0]
本稿では、電力系統力学のための機械学習サロゲートモデルのトレーニング性能を説明するための分析ツールを提案する。本稿では,機械学習サロゲートの性能を解析・改善するために必要な分析ツールを提供する。
論文参考訳（メタデータ） (2026-08-08T10:23:40Z)
Self-Organising Memristive Networks as Physical Learning Systems [0.8752279866335758]
物理システムによる学習は、物理基板の本質的な非線形ダイナミクスを学習に活用しようとする、新たなパラダイムである。このパースペクティブは、抵抗性メモリナノスケールコンポーネントからなる物理ネットワークを用いた有望なアプローチである。この視点の全体的目的は、ナノテクノロジー、統計物理学、複雑なシステム、そして自己組織化原理の収束が、いかにして新しい世代の物理知能技術を前進させるユニークな機会を提供するかを示すことである。
論文参考訳（メタデータ） (2025-08-31T08:44:02Z)
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)
Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文参考訳（メタデータ） (2024-02-29T00:02:33Z)
Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文参考訳（メタデータ） (2023-08-29T07:15:57Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
Machine learning nonequilibrium electron forces for adiabatic spin dynamics [0.0]
非平衡グリーン関数法から計算した駆動s-dモデルの力を学習するディープラーニングニューラルネットワークを開発した。本研究では,ニューラルネットワークモデルから予測される力を用いたランダウ・リフシッツ力学シミュレーションにより,電圧駆動型磁壁伝播を正確に再現することを示した。
論文参考訳（メタデータ） (2021-12-22T18:37:56Z)
A Predictive Coding Account for Chaotic Itinerancy [68.8204255655161]
予測符号化を実装したリカレントニューラルネットワークが,入力雑音の存在下でカオス的反復性に類似したニューラルトラジェクトリを生成する方法を示す。本モデルを用いて,無作為かつ非依存なトラジェクタスイッチングトラジェクトリを生成する2つのシナリオを提案する。
論文参考訳（メタデータ） (2021-06-16T16:48:14Z)
Reinforcement Learning through Active Inference [62.997667081978825]
アクティブ推論のアイデアが従来の強化学習アプローチをどのように強化するかを示す。我々は、将来望まれる自由エネルギーという、意思決定のための新しい目標を開発し、実装する。得られたアルゴリズムが探索および利用に成功し、また、スパース、ウェル形状、報酬のないいくつかの挑戦的RLベンチマークにおいて頑健な性能を達成することを実証した。
論文参考訳（メタデータ） (2020-02-28T10:28:21Z)

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。