基于温琴霍夫振荡器网络的神经形态计算器自主学习吸引子
神经与进化计算
2025-12-18 v1 新兴技术
适应与自组织系统
摘要
我们提出了一种使用耦合温琴霍夫振荡器网络实现的振荡神经形态原语。振荡器之间的相位关系编码模式，局部 Hebbian 学习规则持续调整耦合，使学习与记忆从同一持续的模拟动力学中涌现，而非来自独立的训练和推理阶段。我们采用带有效能函数的 Kuramoto 式相位模型，表明所学相位模式形成吸引子状态，并在仿真和硬件中验证了这一行为。我们进一步实现了 2-4-2 架构，包含隐藏层振荡器，其双向可见-隐藏耦合允许多个内部配置产生相同的可见相位状态。当输入切换时，能量中的瞬态尖峰随后发生舒张，表明网络如何通过重塑其能量景观来减少意外。这些结果支持耦合振荡器电路作为具备自主持续学习能力的能量基准神经形态计算平台。
关键词
引用
@article{arxiv.2512.14869,
title = {Autonomous Learning of Attractors for Neuromorphic Computing with Wien Bridge Oscillator Networks},
author = {Riley Acker and Aman Desai and Garrett Kenyon and Frank Barrows},
journal= {arXiv preprint arXiv:2512.14869},
year = {2025}
}