論文の概要: Contrastive local learning in large nonlinear analog circuits
- arxiv url: http://arxiv.org/abs/2611.17561v1
- Date: Thu, 12 Nov 2026 22:32:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.26956
- Title: Contrastive local learning in large nonlinear analog circuits
- Title(参考訳): 大規模非線形アナログ回路におけるコントラスト局所学習
- Abstract要約: 対照的な局所ルールによって訓練された非線形アナログ回路は、より大きな機械学習タスクを学習できることを示す。
これらの結果から, 大規模非線形アナログ回路における局所学習の実現可能性が確認された。
- 参考スコア(独自算出の注目度): 4.980469801597273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning in physical hardware promises to reduce training cost by colocating computation, memory and adaptation within device physics. Contrastive local learning networks (CLLNs) offer a compelling route: an electrical circuit relaxes to equilibrium in free and weakly clamped states, and each adaptive element updates from local voltage contrasts rather than backpropagated error signals. Yet whether nonlinear transistor implementations can scale beyond proof-of-concept circuits, and what design principles control that scaling, have remained unknown. Here we show that nonlinear analog circuits trained by contrastive local rules can learn larger machine-learning tasks and remain robust under hardware nonidealities. Using device-level circuit simulations, we systematically explore initialization, operating regime, loss-dependent clamping and training parameters, and scale CLLNs beyond ten thousand adaptive edges. The same local rule trains classifiers that reach the accuracy regime of conventional digital methods on Ionosphere and handwritten-digit benchmarks, and a network that autoregressively generates language over a 122-token vocabulary. These results establish the feasibility of local learning in large nonlinear analog circuits.
- Abstract(参考訳): 物理ハードウェアにおける機械学習は、デバイス物理学における計算、メモリ、適応の共有によるトレーニングコストの削減を約束する。
電気回路は、自由かつ弱いクランプ状態の平衡に緩和し、各適応素子は、バックプロパゲートエラー信号ではなく、局所電圧コントラストから更新される。
しかし、非線形トランジスタの実装が概念実証回路を超えてスケール可能かどうか、そしてスケーリングを制御する設計原理がまだ不明である。
ここでは、対照的な局所ルールによって訓練された非線形アナログ回路が、より大きな機械学習タスクを学習し、ハードウェアの非理想性の下で頑健であることを示す。
デバイスレベルの回路シミュレーションを用いて、初期化、動作状態、損失依存クランプおよびトレーニングパラメータを体系的に検討し、CLLNを1万以上の適応エッジに拡張する。
同じローカル・ルール・トレインは、Ionosphereや手書きデジタル・ベンチマークにおける従来のデジタル手法の精度に到達した分類器と、122の単語を自動回帰的に生成するネットワークである。
これらの結果から, 大規模非線形アナログ回路における局所学習の実現可能性が確認された。
関連論文リスト
- Low-power analogue neural networks with trainable nonlinear connections for continuous control [54.59241649882409]
物理ニューラルネットワークはアナログデバイス物理を直接計算することで低消費電力の機械学習を約束する。
トレーニング可能な非線形関数を接続上に配置し、各物理接続を学習可能な計算要素とする。
その利点はタスク依存であり、物理的基盤の滑らかさから従うことが分かる。
論文 参考訳(メタデータ) (2026-06-21T15:55:23Z) - Scalable Circuit Learning for Interpreting Large Language Models [49.202271807046365]
スパース線形回帰に基づくスケーラブルな回路学習手法であるCircuitLassoを提案する。
解釈可能性について、CircuitLassoはSAEの特徴間の関係を効率的に発見し、人間の解釈可能な意味的特徴がモデルを通してどのように伝播し、その予測に影響を与えるかを示す。
論文 参考訳(メタデータ) (2026-06-15T16:40:43Z) - In-memory Training on Analog Devices with Limited Conductance States via Multi-tile Residual Learning [59.091567092071564]
インメモリトレーニングは通常、デジタルベースラインに合わせて少なくとも8ビットのコンダクタンス状態を必要とする。
ReRAMのような多くの有望な中間デバイスは、製造制約のため、約4ビットの解像度しか提供しない。
本稿では,残差を補うために複数のクロスバータイルを逐次学習する語彙学習フレームワークを提案する。
論文 参考訳(メタデータ) (2025-10-02T19:44:25Z) - Harnessing intuitive local evolution rules for physical learning [0.0]
境界パラメータのみを外部制御する物理系のためのトレーニング手法を提案する。
このスキームを用いることで、これらの境界許容適応状態チューニングシステムは、局所的なフィズ・カルルールを利用して学習する。
BEASTAL(BEAST-Adaline)は,Adalineアルゴリズムに最も近い類似手法である。
論文 参考訳(メタデータ) (2025-07-25T10:51:42Z) - Machine Learning Without a Processor: Emergent Learning in a Nonlinear Electronic Metamaterial [0.6597195879147557]
トランジスタをベースとした非線形抵抗素子を自己調整したアナログ電子ネットワークである非線形学習メタマテリアルを導入する。
我々は,XORや非線形回帰を含む線形システムでは不可能なタスクをコンピュータなしで学習できることを実証した。
これは、センサー、ロボットコントローラー、医療機器といったエッジシステムにおける、高速で低消費電力なコンピューティングの可能性を示唆している。
論文 参考訳(メタデータ) (2023-11-01T14:16:37Z) - Unifying Synergies between Self-supervised Learning and Dynamic
Computation [53.66628188936682]
SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。
SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。
密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
論文 参考訳(メタデータ) (2023-01-22T17:12:58Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳(メタデータ) (2022-03-29T21:18:47Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳(メタデータ) (2020-06-02T23:38:35Z) - Deep Reinforcement Learning with Linear Quadratic Regulator Regions [26.555266610250797]
シミュレーションで訓練されたポリシーの出力に対して,アトラクションの安定領域を保証する新しい手法を提案する。
実システムに振り上げ反転振子のシミュレーションポリシを転送し,本手法の有効性を実証し,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-02-23T03:50:49Z)
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。
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。